Задача 01A. Sequence classification. RNN ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется решить задачу классификации текста с использованием моделей архитектуры RNN. Необходимо использовать raw подмножество датасета go_emotions

Требования к модели

• Модель должна иметь архитектуру RNN.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Работа с датасетом, до  + 1
• Реализация моделей, до  + 2
• Обучение моделей, до  + 1
• Тестирование моделей, до  + 4
• Бонус, до  + 2

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.

---

Задача 01B. Seq2Seq. RNN ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется решить задачу перевода текста с использованием моделей архитектуры RNN. Необходимо использовать следующий датасет. Рекомендуется обучать перевод с русского языка на английский. Краткая информация о Seq2Seq может быть найдена здесь.

Требования к модели

• Модель должна иметь архитектуру RNN.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Работа с датасетом, до  + 2
• Реализация модели, до  + 3
• Обучение модели, до  + 2
• Тестирование модели, до  + 3

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.

---

Задача 02A. Transfer learning. Text classification ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется решить задачу классификации текста с использованием техники transfer learning. Студент сам выбирает модель и датасет.

Требования к датасету

• Датасет должен содержать не менее 10k примеров.
• Перед использованием датасет должен быть согласован с преподавателем.
• Каждый датасет может быть использован не более чем двумя студентами в группе.

Требования к модели

• Модель должна иметь архитектуру трансформер.
• Модель должна быть обучена для задачи feature extraction.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Feature extraction, до  + 3
• Обучение модели, до  + 2
• Тестирование модели, до  + 3
• Бонус, до  + 2

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.

---

Задача 02B. Transfer learning. Image classification ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется решить задачу классификации изображений с использованием техники transfer learning. Студент сам выбирает модель и датасет.

Требования к датасету

• Датасет должен содержать не менее 10k примеров.
• Перед использованием датасет должен быть согласован с преподавателем.
• Каждый датасет может быть использован не более чем двумя студентами в группе.

Требования к модели

• Модель должна быть обучена для задачи feature extraction.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Feature extraction, до  + 3
• Обучение модели, до  + 2
• Тестирование модели, до  + 3
• Бонус, до  + 2

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.

---

Задача 03A. Image captioning ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется решить задачу генерации заголовков для изображений.

Требования к датасету

• Необходимо использовать датасет COCO.
• Во время обучения должно быть использовано не менее 25% тренировочных изображений за 2017 год.

Требования к моделям

• Модели для извлечения признаков изображений и генерации текста должны иметь архитектуру transformer.
• Для извлечения признаков рекомендуется использовать, например, DINOv2.
• Для генерации текста рекомендуется использовать, например, GPT-2.
• Предполагается использовать любую из архитектур, описанных в 1 и 2.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Работа с датасетом и feature extraction, до  + 2
• Реализация и обучение модели, до  + 3
• Тестирование модели, до  + 3
• Бонус, до  + 2

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.

---

Задача 04A. Object detection. Fine tuning ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется решить задачу детекции с использованием ultralytics YOLO CLI.

Требования к датасету

• Датасет должен содержать не менее 5k изображений.
• Перед использованием датасет должен быть согласован с преподавателем.
• Каждый датасет может быть использован не более чем двумя студентами в группе.

Требования к модели

• Модель должна иметь архитектуру YOLOv8, YOLOv9 или RT-DETR

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Обучение модели, до  + 4
• Изучение возможностей CLI, до  + 4
• Продемонстрировать использование модели на Python (детекция на нескольких примерах с отображением результатов), до  + 2

Отправка решения

В качестве решения требуется отправить ссылку на архив или репозиторий, содержащий информацию об использованном датасете, обученные веса и файл с исходным кодом на Python, демонстрирующий использование модели.

---

Задача 04B. Object detection ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется решить задачу детекции с использованием алгоритма YOLO.

Требования к датасету

• Датасет должен содержать не менее 5k изображений.
• Перед использованием датасет должен быть согласован с преподавателем.
• Каждый датасет может быть использован не более чем двумя студентами в группе.

Требования к модели

• Модель должна иметь свёрточную архитектуру.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Работа с датасетом, до  + 2
• Реализация лоссов, до  + 6
• Обучение модели и тестирование, до  + 2

Отправка решения

В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.

Базовый ноутбук можно скачать здесь.

---

Задача 05A. Stable diffusion. LoRA ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется выполнить дообучение модели stable diffusion с использованием метода LoRA.

Требования к датасету

• Датасет должен содержать изображения с подписями, объединённые некоторой тематикой или стилем, который тяжело воспроизводится с использованием stable diffusion.
• Запрещено использовать датасет pokemon-blip-captions.
• Датасет можно найти, например, здесь.

Требования к модели

• Предпочтительно использовать sdxl или sdxl-turbo.
• Если не получается с sdxl, разрешено использовать предыдущие версии модели (2, 1.5)

Требования к реализации

• Обучение рекомендуется выполнить согласно инструкции.
• Полученную LoRA должно быть можно использовать со stable-diffusion-webui.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Обучение модели, до  + 5.
• Тестирование модели до  + 5.
  • Сгенерировать некоторое множество изображений с использованием LoRA (в том числе во время сдачи).
  • Продемонстрировать, что изображения с использованием LoRA генерируются согласно тематики лучше, чем без.

Отправка решения

В качестве решения требуется отправить ссылку на файл (PDF, MS Word, plain text) или репозиторий, содержащий информацию об использованном датасете, trigger words, а также ссылку на обученные веса для использованием со stable-diffusion-webui.

---

Задача 05B. Stable diffusion. Textual Inversion ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Требуется выполнить дообучение модели stable diffusion с использованием метода Textual Inversion.

Требования к датасету

• Датасет должен содержать изображения, объединённые некоторой тематикой или стилем, который тяжело воспроизводится с использованием stable diffusion.
• Запрещено использовать датасет cat-toy-example.
• Датасет можно найти, например, здесь.

Требования к модели

• Предпочтительно использовать sdxl или sdxl-turbo.
• Если не получается с sdxl, разрешено использовать предыдущие версии модели (2, 1.5)

Требования к реализации

• Обучение рекомендуется выполнить согласно инструкции или другой инструкции.
• Полученные embedding должно быть можно использовать со stable-diffusion-webui.

Распределение баллов

Максимальное количество баллов за задачу — 10.

• Обучение, до  + 4.
• Тестирование, до  + 4.
  • Сгенерировать некоторое множество изображений с использованием обученных embedding (в том числе во время сдачи).
  • Продемонстрировать, что изображения с использованием embeddings генерируются согласно тематики лучше, чем без.
• Обучить ещё один embedding, продемонстрировать взаимодействие с предыдущими, до  + 2.

Отправка решения

В качестве решения требуется отправить ссылку на файл (PDF, MS Word, plain text) или репозиторий, содержащий информацию об использованном датасете, trigger words, а также ссылку на обученные веса для использованием со stable-diffusion-webui.

---