| فایل اولیه‌ی پروژه را می‌توانید از [این لینک](/contest/assignments/84378/download_problem_initial_project/306356/) دانلود کنید.|
| :--: |
در این بخش از مسابقه، هدف ما **دسته‌بندی لوازم مصرفی خودرو** بر اساس تصاویر آن‌ها است. این لوازم می‌تواند شامل مواردی مانند **روغن موتور**، **فیلتر هوا**، **لنت ترمز** و سایر قطعات و اقلام مشابه باشد.
شما باید یک **مدل هوش مصنوعی** طراحی و آموزش دهید که قادر باشد با دریافت تصویر هر قطعه، آن را در دسته‌بندی صحیح قرار دهد. برای این منظور، مجموعه‌ای از تصاویر نمونه از هر دسته در اختیار شما قرار داده خواهد شد تا مدل خود را بر اساس آن‌ها آموزش دهید.
----------------------------
## مجموعه‌داده
این مجموعه‌داده شامل تصاویر شش گروه از لوازم مصرفی خودرو است که عبارت‌اند از:
+ فیلتر هوا (air_filter)
+ لنت ترمز (brake_pad)
+ ضد یخ (coolant)
+ فیلتر روغن (oil_filter)
+ روغن موتور (oil_motor)
+ مایع شیشه‌شور (windshield_washer)
در مجموع، این پایگاه داده شامل **۱۳۲۵ تصویر** با ابعاد **۶۴۰×۶۴۰ پیکسل** است. از این تعداد:
+ **۹۶۹ تصویر** در بخش آموزش قرار دارند.
+ **۳۵۶ تصویر** در بخش آزمایش استفاده می‌شوند.
--------------------------------
## معیار ارزیابی
برای ارزیابی مدل شما از معیار `F1 Score` استفاده می‌شود. برای نمره‌گیری در این سوال مدل شما باید دارای `F1 Score` حداقل ۰.۷ باشد و در این حالت نمره‌ی نهایی بر اساس فرمول زیر محاسبه می‌گردد:
$$round(f1 score, 3) \times 100$$
اگر مدل شما به حدنصاب نرسد، نمره‌ی دریافتی **صفر** خواهد بود.
<details class="red">
<summary>
**توجه**
</summary>
در طول مسابقه امتیازی که مشاهده می‌کنید، فقط نتیجه‌ی ارزیابی مدل شما روی ۳۰ درصد از داده‌های آزمون است. بعد از پایان زمان مسابقه، **امتیاز نهایی** شما روی ۷۰ درصد مابقی محاسبه می‌شود.
این کار به منظور جلوگیری از بیش‌برازش (`overfitting`) و حفظ عمومیت مدل انجام می‌شود تا مطمئن شویم مدل‌هایی که دچار بیش‌برازش شده‌اند، در امتیازدهی نهایی، افت می‌کنند.
</details>
------------
## نحوه‌ی ارسال پاسخ
وظیفه شما این است که یک **مدل مبتنی بر یادگیری عمیق** طراحی و آموزش دهید که بتواند تشخیص دهد هر تصویر متعلق به کدام دسته است.
توجه داشته باشید که **استفاده از هیچ مدل از پیش‌آموزش‌دیده‌ای مجاز نیست**. در صورتی که در نوت‌بوک شما استفاده از یک مدل از پیش‌آموزش‌دیده مشاهده شود، این عمل **به عنوان تخلف** تلقی خواهد شد.
تصاویر در دو پوشه **train** و **test** قرار دارند. در پوشه آموزش یک فایل به نام **train.csv** قرار دارد که در این فایل برچسب هر تصویر مشخص شده است. در پوشه آزمایش نیز یک فایل به نام **test.csv** وجود دارد اما برچسب‌های نمونه‌های تست مشخص نیستند و شما وظیفه دارید آن‌ها را پیش‌بینی کنید.
وظیفه شما این است که با استفاده از داده‌های آموزش، مدلی بسازید که بتواند دسته هر تصویر که در مجموعه آزمایش قرار دارد را پیش‌بینی کند. خروجی نهایی شما باید یک فایل با نام **submission.csv** باشد. این فایل باید قالبی داشته باشد که **ترتیب سطرهای فایل خروجی باید دقیقاً مطابق با ترتیب نام تصاویر در فایل test.csv** باشد. نمونه‌ای از فایل خروجی نهایی به شرح زیر است:
|filename|air_filter|brake_pad|coolant|oil_filter|oil_motor|windshield_washer|
|------|---|------|---|------|---|---|
|123.jpg | 0|0|1|0|0|0|
|124.jpg|0|0|0|0|0|1|
برای پاسخ به این سوال ابتدا فایل نوت‌بوک قرار گرفته در فایل اولیه را باز کنید و سپس مراحل را مطابق آن‌چه که از شما خواسته شده انجام دهید. در نهایت، پس از اجرای سلول جواب‌ساز (آخرین سلول فایل نوت‌بوک) فایل `result.zip` ساخته شده را ارسال نمایید.
<details class="red">
<summary>
**هشدار مهم**
</summary>
توجه داشته باشید که پیش از اجرای سلول جواب‌ساز، تغییرات اعمال شده در نوت‌بوک را با استفاده از کلید میان‌بر `ctrl+s` ذخیره کرده باشید در غیر این صورت، در پایان مسابقه **نمره** شما به **صفر** تغییر خواهد کرد.
همچنین اگر از کولب برای اجرای این فایل نوت‌بوک استفاده می‌کنید، قبل از ارسال فایل `result.zip`، آخرین نسخه‌ی نوت‌بوک خود را دانلود کرده و داخل فایل ارسالی قرار دهید.
</details>