Lien compétition : https://www.kaggle.com/c/digit-recognizer Nous avons au début de notre projet réalisé de simples solutions pour un digit recognizer. C'était plus dans le but de se familiariser au langage / différentes librairies.
Lien compétition : https://www.kaggle.com/c/google-ai-open-images-object-detection-track
Il s'agit-là de la compétition principale auquel nous avons participé.
Voici un exemple de résultat obtenu avec notre algorithme :
Pour cette compétition nous proposons 2 versions.
Lien kernel : https://www.kaggle.com/lefuret/train-ai-open-images-object-detection-track Cette version comprend l'entraînement des réseaux, ils faut compter environ 30 minutes pour l'exécution complète.
Nous proposons en plus de notre kernel une version source script ou notebook Toutefois il faut exécuter la version dans un kernel Kaggle ayant ces différents dataset :
- https://www.kaggle.com/c/google-ai-open-images-object-detection-track
- https://www.kaggle.com/bigquery/open-images
La connexion internet du kernel doit être activée tout comme l'utilisation de GPU.
Lien kernel: https://www.kaggle.com/lefuret/demo-ai-open-images-object-detection-track Cette version comprend uniquement la démo, les réseaux sont initialisés via des fichiers contenant des réseaux préalablement entrainés, il faut compter environ 1 minute pour l'exécution complète, puis moins de 3 secondes par images.
Nous proposons en plus de notre kernel une version source script ou notebook Toutefois il faut exécuter la version dans un kernel Kaggle ayant ces différents dataset :
La connexion internet du kernel doit être activée tout comme l'utilisation de GPU.
Il serait possible de gérer les dépendances via des pip install mais ayant utilisé kaggle nous ne connaissons pas les dépendances exactes. Dans ce cas les fichiers du dataset doivent se trouver dans le dossier ../input