代码拉取完成，页面将自动刷新
[TOC]
本赛题中，参赛团队将设计算法对零售商品进行识别和分类，选手需要通过分析训练集中标注数据的特点，构建AI模型，对测试集中测试数据进行识别和分类。
参赛者在规定时间内须使用MindSpore AI计算框架进行模型的设计、训练和预测，不得使用任何其他框架参赛。
对于预训练模型，大赛只允许：
RP2K是品览基于零售商品识别能力发布的零售数据集。不同于一般聚焦新产品的数据集，RP2K收录了超过50万张零售商品货架图片，商品种类超过2000种，该数据集是目前零售类数据集中产品种类数量TOP1，同时所有图片均来自于真实场景下的人工采集，针对每种商品，提供了十分详细的注释。
（1）Structure-Retention Resize策略，保留原有的结构化信息。性能上能够提升3个百分点。
（2）测试了Cutout,AutoAug, Random Erasing等策略。
（3）后处理使用了FixRes的技巧。
详情参考：【分类技巧】Fixing the train-test resolution discrepancy
硬件：昇腾处理器（Ascend）GTX 3090Ti
框架
如需查看详情，请参见如下资源：
SE_ResNeXt50是ResNeXt50的一个变体。ResNeXt50是一个简单、高度模块化的图像分类网络架构。
ResNeXt50的设计为统一的、多分支的架构，该架构仅需设置几个超参数。此策略提供了一个新维度，即“基数”（转换集的大小），它是深度和宽度维度之外的一个重要因素
Squeeze & Excitation Module 能够让模型自适应调整各个通道的重要程度，学习通道之间的相关性，提升模型的感受野。
SE_ResNeXt整体网络架构如下：
Inception_resnet_v2: 是Inception系列经典模型，由浅至深是有Inception-ResNet-A,Inception-ResNet-B,Inception-ResNet-C组成，B中使用了7x1和1x7大卷积核可以有效提升模型感受野。
模型优势：可以在更少的Epoch内部达到更高的准确率。
ResNet50_BAM: BottleNeck Attention Module 是通道注意力机制和空间注意力机制的综合，并行使用两种注意力及价值。其中，通道注意力机制使用的是SE，空间注意力则同各国特征图提取Spatial Attention，将两者结合起来队员图进行特征重标定。
模型进一步改进：提出了SEResNet50_wider等wider系列模型，进行了模型容量扩充。
（1）针对长宽比不均匀的数据，使用Structure-Retention Resize方法非常有效。
（2）小的Batch Size训练得到的模型的泛化能力更强。
（3）训练更长Epoch可以获得性能的提升，但迫于时间限制，并没有采取这个方案
（4）网络设计方面应选择在深层使用更大Kernel 的卷积操作或者使用注意力模块来增大感受野，有助于模型性能提升。
[敬请期待]
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。
