自动驾驶疲劳检测挑战赛第三名方案

第一步：数据处理

先将数据解压放置xfdata文件夹下。然后使用code文件夹中的npy2jpg.py，将数据集还原为jpg数据且符合torch.dataset的要求。npy2jpg.py还将划分训练集和验证集，并生成均衡样本。最终，训练集‘sleepy‘和‘non-sleepy‘两类各有5500个样本，验证集则为两类各550个样本。生成的训练使用的数据集位于xfdata/sleepy/train下。 数据处理主要是将原本.npy类型数据，属于[-128,127]之前转为8位整型之后保存为jpg图片。

第二步：模型训练

使用code中的train.py，调用预训练的efficientnetb7进行训练，详细的训练参数和采用的数据增强在train.py上半部分。

第三步：输出预测

使用code中的test.py，加载保存在user_data/model_data下已经训练好的模型权重文件并进行TTA（Test Time Augmentation）。最终获得提交的csv，存放于prediction_result下。

文件介绍

code文件夹下放置了loader文件夹和pskd_loss.py，训练过程中调用了算法PSKD论文的arxiv链接，这是其依赖文件。train.py和test.py分别为训练和预测的文件。npy2jpg.py为数据处理文件。 prediction_result里放置了获得最好成绩的csv文件。 user_data里放置了预测使用的模型权重 自行下载解压之后放在指定目录下\user_data\model_data\efficientnet-b7_balanced_color_1e-5\efficientnet-b7\ckpt
xfdata可放置赛题数据集（解压后的）。 requirements为选手的python环境。

本机环境：

显卡：nvidia 3060 python==3.10.9 cuda==11.8，cudnn==8.7.0 使用的pytorch低于2.0也可以运行

相关资源

最佳模型：链接：https://pan.baidu.com/s/1NhXYp0uq8HqV3bJKs4DAdg?pwd=1234 提取码：1234