文章較長完整代碼關(guān)注【學(xué)姐帶你玩AI】公眾號，回復(fù)“天氣”領(lǐng)取

來源：投稿

作者：livingbody

編輯：學(xué)姐

#?賽題背景

在自動駕駛場景中，天氣和時間（黎明、早上、下午、黃昏、夜晚）會對傳感器的精度造成影響，比如雨天和夜晚會對視覺傳感器的精度造成很大的影響。此賽題旨在對拍攝的照片天氣和時間進行分類，從而在不同的天氣和時間使用不同的自動駕駛策略。

#?賽題任務(wù)

此賽題的數(shù)據(jù)集由云測數(shù)據(jù)提供。比賽數(shù)據(jù)集中包含3000張真實場景下行車記錄儀采集的圖片，其中訓(xùn)練集包含2600張帶有天氣和時間類別標(biāo)簽的圖片，測試集包含400張不帶有標(biāo)簽的圖片。參賽者需基于Oneflow框架在訓(xùn)練集上進行訓(xùn)練，對測試集中照片的天氣和時間進行分類。

#?數(shù)據(jù)簡介

本賽題的數(shù)據(jù)集包含2600張人工標(biāo)注的天氣和時間標(biāo)簽。

天氣類別：多云、晴天、雨天、雪天和霧天5個類別

時間：黎明、早上、下午、黃昏、夜晚5個類別

下午 多云

早上 雨天

#?數(shù)據(jù)說明

數(shù)據(jù)集包含anno和image兩個文件夾，anno文件夾中包含2600個標(biāo)簽json文件，image文件夾中包含3000張行車記錄儀拍攝的JPEG編碼照片。圖片標(biāo)簽將字典以json格式序列化進行保存：

#?提交要求

參賽者使用Oneflow框架對數(shù)據(jù)集進行訓(xùn)練后對測試集圖片進行推理后：

1.將測試集圖片的目標(biāo)檢測和識別結(jié)果以與訓(xùn)練集格式保持一致的json文件序列化保存，并上傳至參賽平臺由參賽平臺自動評測返回結(jié)果。?

2.在提交時的備注附上自己的模型github倉庫鏈接

#?提交示例

{ “annotations”: [ { “filename”: “test_images\00008.jpg”, “period”: “Morning”, “weather”: “Cloudy” }] }

#?解題思路

總體上看，該任務(wù)可以分為2個：一個是預(yù)測時間、一個是預(yù)測天氣。

具體如下：

• 預(yù)測時間、天氣數(shù)據(jù)標(biāo)簽列表生成

• 數(shù)據(jù)集劃分

• 數(shù)據(jù)均衡（數(shù)據(jù)很不均衡）

• 分別預(yù)測

• 合并預(yù)測結(jié)果

數(shù)據(jù)集準(zhǔn)備

數(shù)據(jù)下載

數(shù)據(jù)解壓縮

按時間制作標(biāo)簽

注意事項：雖然數(shù)據(jù)描述說時間** Period 為 黎明、早上、下午、黃昏、夜晚**，但是經(jīng)過遍歷發(fā)現(xiàn)只有4類。。。。。，故如下制作標(biāo)簽

數(shù)據(jù)集劃分并數(shù)據(jù)均衡

按天氣分制作標(biāo)簽

數(shù)據(jù)集劃分并均衡

環(huán)境準(zhǔn)備

飛槳圖像識別套件PaddleClas是飛槳為工業(yè)界和學(xué)術(shù)界所準(zhǔn)備的一個圖像識別任務(wù)的工具集，助力使用者訓(xùn)練出更好的視覺模型和應(yīng)用落地。此次計劃使用端到端的PaddleClas圖像分類套件來快速完成分類。此次使用PaddleClas框架完成比賽。

模型訓(xùn)練 and 評估

時間訓(xùn)練

以PaddleClas/ppcls/configs/ImageNet/VisionTransformer/ViT_small_patch16_224.yaml 為基礎(chǔ)進行修改

天氣訓(xùn)練

配置文件為：

** PaddleClas/ppcls/configs/ImageNet/VisionTransformer/ViT_base_patch16_224_weather.yaml**

預(yù)測

時間模型導(dǎo)出

開始預(yù)測

編輯 PaddleClas/deploy/python/predict_cls.py，按提交格式輸出預(yù)測結(jié)果到文件。

天氣模型導(dǎo)出

天氣預(yù)測

合并并提交

最后一部分代碼在公眾號【學(xué)姐帶你玩AI】，B站的編輯器卡的不行了，關(guān)注公眾號查看全文把！

完整代碼關(guān)注學(xué)姐回復(fù)“天氣”領(lǐng)取