{ "fetched_at": "2026-10-19T07:20:00Z", "source_url": "https://www.kaggle.com/competitions/2019-3rd-ml-month-with-kakr/data", "pages": [ { "name": "rules", "content": "
\n

Updated 06.14 12:00 - First commit

\n

Updated 06.14 15:47 - 4번 5번 조항 추가 및 수정

\n

Updated 06.14 16:20 - 1번 조항 수정

\n
\n

2019 3rd ML month with KaKR 대회 규칙 안내

\n

이 페이지는 대회 규칙을 안내합니다.

\n

규칙은 다음과 같습니다.

\n

 

\n

1. 외부 데이터(External Data) 사용 금지

\n

  - 주어진 데이터를 활용한 파생물 이외의 데이터 활용 금지 ( 애매한 경우 디스커션으로 질의 )

\n

  - Pretrained Model Weight에 한해서 허용

\n

2. 입상자는 커널 제출 필수

\n

  - 외부데이터 사용 여부 확인

\n

  - 제출 커널은 Prediction 결과를 리더보드 점수로 복원할 수 있어야 함.

\n

3. 컴페티션 팀 Rules 준수

\n

  - 서브 계정 사용 금지

\n

    (본인 혹은 본인이 속한 1개의 팀의 총 제출 횟수는 (컴페티션 기간 일수 * 5(하루 제출횟수) 를 넘어설 수 없음.)

\n

  - 컴페티션 마감 1 ~ 2주 전 높은 점수의 커널 공개 지양

\n

  - 팀 내부에서가 아닌 팀 외부로 과한 정보 공유 지양

\n

4. Pretrained Model 허용

\n

  - 모델 학습은 캐글커널 환경이 아닌 다른 환경에서도 가능

\n

  - 학습된 모델을 캐글로 업로드 후 Weight를 로드하여 Predict

\n

5. Internet 허용

\n

  - Pretrained Model 커널 내부에서 다운로드 가능.

\n

  - 캐글에 없는 라이브러리 패키지 사용 가능.

\n

  - 그외 외부 데이터는 금지

\n

 

\n

위의 룰은 컴페티션 진행 도중 변경될 수 있으며, 변경될 시 디스켜션 공지로 공지합니다.

", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "data-description", "content": "자동차 데이터 셋은 9,990개의 Train 셋, 6,150개의 Test 셋 을 합하여 총 16,140개의 이미지와 바운딩박스 좌표로 이루어져 있습니다. \n\n# 파일 세부 설명\n아래는 각 파일 별 세부 설명 입니다. \n\n* train.csv - Train 셋의 이미지 파일명, 바운딩박스 좌표, 차종정보\n* test.csv - Test 셋의 이미지 파일명, 바운딩박스 좌표, 차종정보\n* submission.csv - Test셋과 대응되는 제출 파일\n* class.csv - 데이터 셋의 class 컬럼과 대응되는 차종의 레이블\n* train.zip - Train 이미지 파일\n* test.zip - Test 이미지 파일 \n\n\n# 컬럼 세부 설명\n각 컬럼 별 세부 설명 입니다. \n\n* img_file - 데이터 셋의 각 로우와 연결되는 이미지 파일 이름\n* bbox_x1 - 바운딩 박스 x1 좌표 (좌상단 x)\n* bbox_y1 - 바운딩 박스 y1 좌표 (좌상단 y)\n* bbox_x2 - 바운딩 박스 x2 좌표 (우하단 x)\n* bbox_y2 - 바운딩 박스 y2 좌표 (우하단 y)\n* class - 예측하려는 차종(Target)\n* id - 각 데이터 셋에 기입 되어 있는 클래스 id\n* name - 클래스 id에 대응되는 실제 차종 레이블 ", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Description", "content": "
\n

How to classify car classes ?

\n
\n\"Italian\n
\n

\n우리가 살면서 갖고 싶은게 여러 가지가 있지만, 집 다음으로 보통 자동차 일 것입니다. \n우리 주위에서 흔히 볼 수 있고, 편리한 교통 수단 중에 하나입니다. \n전 세계적으로 그 수는 무려 10억대가 넘고, 그 종류는 수백, 수천 가지 이상 된다고 합니다. \n

\n

\n하지만, 이렇게 많은 차종을 구별하는 것은 사람일지라도 쉽지가 않은데요. \n만약, 그림만 보고 자동차의 모델(Class)을 쉽게 예측할 수 있다면 CCTV나 블랙박스 속의 차량을 자동으로 분류, 감지해서 범죄예방에 도움을 줄 수 있는 등 다양한 곳에 유익하게 사용될 수 있습니다. \n

\n

\n이번 컴페티션에서는, 자동차 이미지 데이터셋을 활용하여 이미지에 해당하는 차종(Class)이 과연 무엇인지 예측해보겠습니다.\n

\n

\n그럼, 캐글 코리아 여러분들 화이팅! \n

\n", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Evaluation", "content": "

Evaluation : F1 score

\n

\n
\n

\n이번 컴페티션의 평가지표(Metric)은 F1 score 입니다.\n Mean F1-Score. \nF1 score metric은 Information retrieval system의 Accuracy를 측정하기 위해 주로 사용됩니다.\nF1 score를 측정하기 위해서는 Precision(정밀도), Recall(재현율)이라는 통계치가 필요합니다.\n Precision and Recall . \nF1 score 식은 다음과 같습니다.\n

\n

\n\\[ F1 = 2\\frac{p \\cdot r}{p+r}\\ \\ \\mathrm{where}\\ \\ p = \\frac{tp}{tp+fp},\\ \\ r = \\frac{tp}{tp+fn} \\]

\n

\n\\[p : Precision,\\ r : Recall\\]\n\\[tp : True\\ Positive, \\ fp : False\\ Positive, \\ fn : False\\ Negative\\]\n

\n

\nF1 score는 Precision과 Recall이 동시에 큰 값으로 증가할 때 해당 모델이 가장 좋은 알고리즘이라고 평가합니다.\n

\n\n

Submission Format

\n

\n서브미션 파일은 각 row마다 고유의 이미지파일이름과 그에 해당하는 클래스 번호로 구성되어 있습니다.\n각 이미지파일에 해당하는 클래스를 예측 후 제출하시면 됩니다.\n

\n

서브미션 파일은 다음의 포맷을 따릅니다.:

\n
img_file,        class
test_00001.jpg,  1
test_00002.jpg,  2
test_00003.jpg,  3
...
", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Timeline", "content": "* **2019년 6월 14일 (금) 12:00 (GMT+9, 한국시간)** - 컴페티션 **시작**\n* **2019년 8월 17일 (토) 00:00 (GMT+9, 한국시간)** - 컴페티션 **종료**", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Prize", "content": "

3rd ML Month Prize Track

\n
\n

1. 리더보드 상위 50팀 !
  - 대회 종료 직후 private 점수 순으로 리더보드 상위 50팀 ! (팀 전체 증정)
  - 커널 제출자에 한함 (public 공개 필수)
  - 상품 : Google Developers 우산 !

\"\"

2. 커널 상위 20인 !
  - 커널 순위 상위 20인 !
  - 상위 커널 기준은 upvote순으로 결정 !
  - 상품 : Google Developers 칫솔 살균기 !
\"\"

\n

유의사항)

\n\n
 
\n
이번 대회는 리더보드에 점수를 올리는 것도 중요하지만 캐글의 공유 정신을 통해 참가하는 모든 사람들이 같이 성장하는 것을 궁극적인 목표로 하고 있습니다. 그래서 리더보드 점수와는 별개로 아주 좋은 커널을 만들어 주신 분들께 보답하고자 커널 Prize 트랙을 만들었습니다.
\n
 
\n
3차대회 뿐만 아니라 앞으로 다른 컴페티션을 하더라도 자신에게 엄청 도움이 된 커널이 있다고 한다면 반드시 Upvote를 누르는 습관을 가집시다~
\n
 
\n
후원 : 구글코리아
", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Management & Sponsor", "content": "

본 대회는 구글 코리아가 후원하고, 캐글 코리아(비영리 페이스북 온라인 커뮤니티)가 진행하는 데이터 사이언스 대회입니다. Academic 목적이며, 대한민국 누구나 참여하실 수 있습니다.

\n\n

주관

\n

캐글 코리아(비영리 페이스북 온라인 한국 커뮤니티)

\n

https://www.facebook.com/groups/KaggleKoreaOpenGroup/

\n

Note: No official relationship with Kaggle

\n

후원

\n

구글코리아

", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false } ] }