Data Download

tpu-mlir_v0.8.13-g327ff6dc-20230113.tar.gz
( Data available for download after registration) download icon
初赛全流程代码+赛题数据集+比赛所使用预训练模型
( Data available for download after registration) download icon
TPU-MLIR竞赛指南v2
( Data available for download after registration) download icon
example_masks
( Data available for download after registration) download icon
example_picture
( Data available for download after registration) download icon
复赛参赛指南
( Data available for download after registration) download icon

Data Description

  • 初赛

请下载【初赛全流程代码+赛题数据集+比赛所使用预训练模型】,里面包含初赛和复赛所使用到的预训练模型,初赛和复赛数据集test_hq,初赛全流程代码。【tpu-mlir_v0.8.13-g327ff6dc-20230113.tar.gz】则包含初赛和复赛使用到的环境

 

  • 复赛

复赛数据集包含200张汽车图像(.jpg 文件),每辆车最多有 16 张图像,每张都是从不同角度拍摄的。每辆汽车都有一个唯一的 ID,图像根据id_01.jpg、id_02.jpg … id_16.jpg命名。

 

example_picture文件夹包含每个图像掩模样例,example_masks.csv文件包含复赛提交样例,分为两列:

1. img表明图片的名称

2. rle_mask为游程长度编码,表明哪部分为车辆哪部分为背景

在输出csv后,需要您直接将example_masks.csv命名test_masks.csv,并且在model下找到后缀为bmodel.compiler_profile_0.txt的文件,并命名为profile.txt,之后提交test_masks.csv与profile.txt。

 

*注:复赛数据集将会在初赛阶段就提供,但是不开放排行榜,初赛流程打通的同学可以提前准备复赛。
 

Using SOPHGO TPU

TPU-MLIR学习资料: https://tpumlir.org/index.html

TPU-MLIR开源仓库:https://github.com/sophgo/tpu-mlir

UNet开源模型:https://github.com/milesial/Pytorch-UNet

TPU-MLIR学习视频:https://space.bilibili.com/1829795304/channel/collectiondetail?sid=734875

TPU-MLIR入门手册:https://tpumlir.org/docs/quick_start/index.html

前后处理代码baseline:baseline解读请参考【TPU-MLIR参赛指南v2】

 

Submission Requirements

  • 初赛阶段

参赛者将前后处理python代码fp32bmodel模型放到目录后一起压缩为submit.zip文件,之后将zip文件提交到指定邮箱 yi.chu@sophgo.com,提交时邮件名遵循 队伍名称-历史第几次提交-TPU-MLIR比赛,例如“说的都队-第一次提交-TPU-MLIR比赛“。初赛阶段每只队伍每天只能向指定邮箱提交一次代码,如果同一天多次提交,我们将会以当日最后一次提交为准能够打通流程者即可进入复赛阶段。提交目录格式如下

submit

   --tpu_tester.py

   --xx.bmodel

 

*注1:我们将会每周日晚上10.00前在企业微信群公布能够打通流程的队伍的名单,请添加赛事助手,加入企业微信群。

*注2:前后处理代码文件请参考【初赛参赛指南】。

*注3:请不要直接将python文件发到yi.chu@sophgo.com,这样会无法接收,请和bmodel文件一起压缩为zip,之后将zip发送到yi.chu@sophgo.com

 

  • 复赛阶段

参赛者只需要提交通过mlir_tester.py生成的test_masks.csv以及编译过程中生成的后缀为bmodel.compiler_profile_0.txt的文件,其中mlir_tester.py请见【复赛参赛指南】。

请阅读【复赛参赛指南】以了解详细的提交方法。每个参赛团队每天最多提交3次结果文件,如果新提交结果优于之前提交结果,排行榜中的成绩将自动进行更新覆盖

 

  • 决赛阶段

参赛者将主观题文档与答辩PPT打包,以zip文件提交到平台,答辩主观题内容包括以下几点:

1. 描述UNet适配过程
    a. 步骤详细
    b. 可复现的结果
2. 解决问题的过程
    a. 列举在适配过程中遇到的困难,以及解决方法
3. 提出TPU-MLIR可以改进的部分
    a. 在使用上可以精简的地方
    b. 在功能上可以增强的地方(需具备可行性)
4. 简介对TPU-MLIR工程的看法
    a. 对MLIR的看法
    b. 对TPU-MLIR在DSA相关编译器的看法
    c. 对TPU-MLIR在异构计算编译器方面的看法

5. 提交补丁到tpu-mlir工程(可选,加分项)
    a. 文档修正
    b. 代码注释
    c. 修复bug

Evaluation

复赛测评标准:

1. 通过编译生成的中间文件mlir来推理两百张图片,之后使用dice指标评估模型精度;
2. 通过profile.txt 中的runtime来预估模型推理时间,单位为秒;
3. 最终得分计算公式为: score = dice_score + (0.3 - time_score),结果将会精确到小数点后三位,例如0.728;
4. 要求精度dice不低于0.85,平均推理延时小于0.3s。