rules.pdf

terms_of_use.pdf

rules_en.pdf

terms_of_use_en.pdf

9e840f34-1aaf-447d-9986-14c9875f16d8-dswords_solution.csv

dswords_solution.csv

fusionbrain_sample_submission.zip

HTR_train.zip

AI Journey Contest 2021

42b4e35a-3ee6-4849-8272-6dae4a0f686e-dswords_solution.csv

train.csv

train_raw.csv

sample_test.csv

Baseline.ipynb

nofire_sample_submission.zip

AITrain: detecting obstacles and railway infrastructure components
=================================
[link to github](https://github.com/sberbank-ai/railway_infrastructure_detection_aij2021/blob/main/readme_en.md)

Competition of algorithms for detecting obstacles and railway infrastructure components.  

Creating smart systems that warn train drivers about possible collisions with potentially hazardous objects is a way to enhance rail traffic safety. Competition participants should create an algorithm to detect potentially hazardous objects and railway infrastructure components that are crucial for rail traffic – rails, switches, and traffic signals.

The input data are RGB images taken by various cameras installed on the train, with image descriptions.


## Task setting

Based on the photos, you should create the detection algorithm for the following objects:
- "Car" (car);
- "Human" (human);
- "Wagon" (wagon)*;
- "FacingSwitchL" (turnout switch in the course of movement, to the left);
- "FacingSwitchR" (turnout switch in the course of movement, to the right);
- "FacingSwitchNV" (turnout switch in the course of movement, out of sight);
- "TrailingSwitchL" (turnout switch against the course of movement, to the left);
- "TrailingSwitchR" (turnout switch against the course of movement, to the right);
- "TrailingSwitchNV" (turnout switch against the course of movement, out of sight);
- "SignalE" (traffic light permitting);
- "SignalF" (no traffic light).

Besides, you need to put segmentation masks for the following elements:
 - 6 - "MainRailPolygon";
 - 7 - "AlternativeRailPolygon";
 - 10 - "Train"*.

Note: * - the first and last railcars are to be detected, and all railcars need segmentation masks.


## Solution format

Participants should send the algorithm code in ZIP format to the testing system. Solutions shall be run by Docker in the offline mode. The testing time and resources are limited. Participants do not need to study the Docker technology.

### Container content

The archive root must contain the metadata.json file containing the following:
```json
{
    "image": "cr.msk.sbercloud.ru/aijcontest2021/aitrain-base:v0.0.5",
    "entrypoint": "python3 /home/jovyan/solution.py"
}
```

Where `image` is a field with the docker image name, in which the solution will be run, `entrypoint` is a command that runs the solution. For solution, the archive root will be the current directory. 

To run solutions, existing environments can be used:

- [Basic images](https://docs.sbercloud.ru/aicloud/mlspace/concepts/environments__basic-images-for-training.html).

Any other image which is available in `sbercloud` will be suitable. If necessary, you can prepare your own image, add necessary software and libraries to it (see [the manual on creating Docker images for `sbercloud`](https://github.com/sberbank-ai/no_fire_with_ai_aij2021/blob/main/sbercloud_instruction.md)); to use it, you will need to publish it on `sbercloud`.

### Limitations

During one day, a Participant or a Team of Participants can upload no more than three solutions for evaluation. Only valid attempts that have received a numerical estimate are taken into account.  

The solution container will be run under the following conditions:

- 94 GB RAM;
- 3 vCPU;
- 1 GPU Tesla V100 32 Gb.
- Time for performance: 15m (300 images);
- Offline solution;
- Maximal size of your solution archive compressed and decompressed: 10 GB;
- Maximal size of the Docker image used: 25 GB.

## Quality check

Weighted average of `mAP@.5` and `meanIoU` is a quality metric of the task AITrain:

[mAP description](https://cocodataset.org/#detection-eval)  

[meanIoU description](https://www.tensorflow.org/api_docs/python/tf/keras/metrics/MeanIoU)

```
competition_metric = 0.7 * mAP@.5 + 0.3 * meanIoU
```

You may choose three solutions to submit for the final evaluation. By default, these are solutions with the best Leaderboard metric. 

If several Participants have the same competition_metric values, their solutions are assessed based on processing time (the time spent on processing tasks).  The faster the decision is processed, the higher the position in the leaderboard.

If both the competition_metric values and the processing time of the models for several participants coincide, then the time to upload the solution to the Contest Site will be taken into account. The previously uploaded solution to the Contest Site will be assigned a higher place.


##
[Terms of use](https://api.dsworks.ru/dsworks-transfer/api/v1/public/file/terms_of_use_en.pdf/download)  
[Rules](https://api.dsworks.ru/dsworks-transfer/api/v1/public/file/rules_en.pdf/download)


AITrain: детекция препятствий и элементов дорожной инфраструктуры
=================================
[link to github](https://github.com/sberbank-ai/railway_infrastructure_detection_aij2021)

Соревнование алгоритмов определения препятствий и элементов ЖД-инфраструктуры.  

Одним из способов повышения безопасности ЖД перевозок является создание интеллектуальных систем, предупреждающих машиниста о возможном столкновении с потенциально опасными объектами. В рамках соревнования требуется создать алгоритм, детектирующий такие объекты, а также определяющий элементы дорожной инфраструктуры, определяющие движение поезда - рельсы, стрелочные переводы и светофоры.  
В качестве входных данных используются RGB изображения, полученные с различных камер, установленных на электропоезде и аннотации к ним.

## Постановка задачи

На основе размеченных фотографий необходимо создать алгоритм детекции следующих объектов:
- "Car" (автомобиль),
- "Human" (человек),
- "Wagon" (вагон)*,
- "FacingSwitchL" (стрелочный перевод по ходу движения, влево),
- "FacingSwitchR" (стрелочный перевод по ходу движения, вправо),
- "FacingSwitchNV" (стрелочный перевод по ходу движения, вне видимости),
- "TrailingSwitchL" (стрелочный перевод против хода движения, влево),
- "TrailingSwitchR" (стрелочный перевод против хода движения, вправо),
- "TrailingSwitchNV" (стрелочный перевод против хода движения, вне видимости),
- "SignalE" (разрешающий сигнал светофора),
- "SignalF" (запрещающий сигнал светофора).

Одновременно требуется разметить сегментационные маски для следующих элементов:
 - 6 - "MainRailPolygon" (главный ЖД-полигон);
 - 7 - "AlternativeRailPolygon" (вспомогательный ЖД-полигон);
 - 10 - "Train" (поезд)*.

Примечание: требуется детектировать первый и последний вагоны поезда, также для всех вагонов требуются сегментационные маски.


## Формат решения

В проверяющую систему необходимо отправить код алгоритма, запакованный в ZIP-архив. Решения запускаются в изолированном окружении при помощи Docker. Время и ресурсы во время тестирования ограничены. Участнику нет необходимости разбираться с технологией Docker.

### Содержимое контейнера

В корне архива обязательно должен быть файл metadata.json следующего содержания:
```json
{
    "image": "cr.msk.sbercloud.ru/aijcontest2021/aitrain-base:v0.0.5",
    "entrypoint": "python3 /home/jovyan/solution.py"
}
```

Здесь `image` — поле с названием docker-образа, в котором будет запускаться решение, `entrypoint` — команда, при помощи которой запускается решение. Для решения текущей директорией будет являться корень архива. 

Для запуска решений можно использовать существующие окружения:

- [Базовые образы для задач обучения](https://docs.sbercloud.ru/aicloud/mlspace/concepts/environments__basic-images-for-training.html).

Подойдет любой другой образ, доступный для загрузки из `sbercloud`. При необходимости, Вы можете подготовить свой образ, добавить в него необходимое ПО и библиотеки (см. [инструкцию по созданию Docker-образов для `sbercloud`](https://github.com/sberbank-ai/no_fire_with_ai_aij2021/blob/main/sbercloud_instruction.md)); для использования его необходимо будет опубликовать на `sbercloud`.

### Ограничения

В течение одного дня Участник или Команда Участников может загрузить для оценки не более трёх решений. Учитываются только валидные попытки, получившие численную оценку.  

Контейнер с решением запускается в следующих условиях:

- 94 Гб оперативной памяти;
- 3 vCPU;
- 1 GPU Tesla V100 32 Gb.
- время на выполнение решения: 15 минут (300 изображений)
- решение не имеет доступа к ресурсам интернета
- максимальный размер упакованного и распакованного архива с решением: 10 Гб
- максимальный размер используемого Docker-образа: 25 Гб

## Проверка качества

В качестве метрики качества соревнования используется взвешенное среднее `mAP@.5` и `meanIoU`:

[Описание mAP](https://cocodataset.org/#detection-eval)  

[Описание meanIoU](https://www.tensorflow.org/api_docs/python/tf/keras/metrics/MeanIoU)

```
competition_metric = 0.7 * mAP@.5 + 0.3 * meanIoU
```

Для финальной оценки можно выбрать 3 решения. По умолчанию это решения с наилучшей метрикой на лидерборде. 

В случае одинаковых значений метрики competition_metric у нескольких участников, их решения оцениваются по processing time (время, затраченное на обработку задач). Чем быстрее обрабатывается решение, тем выше позиция в лидерборде. 

Если же и значения competition_metric, и processing time моделей у нескольких участников совпадают, то будет учитываться время загрузки решения на Сайт Конкурса. Ранее загруженному решению на Сайт Конкурса будет присвоено более высокое место.



##
[Пользовательское соглашение](https://api.dsworks.ru/dsworks-transfer/api/v1/public/file/terms_of_use.pdf/download)  
[Правила соревнования](https://api.dsworks.ru/dsworks-transfer/api/v1/public/file/rules.pdf/download)


AITrain_train.zip

aitrain_sample_submission.zip

Detection_baseline.ipynb