Identifikation af skakbrikker

Identifikation af skakbrikker

Skak er et berømt strategisk spil med en historie på århundreder, anerkendt for sin kompleksitet og høje krav til logisk tænkning og planlægning. Forbindelsen mellem skak og kunstig intelligens er tæt: mange algoritmer og maskinlæringsteknikker er blevet udviklet netop for at skabe agenter, der kan spille skak på højt niveau.

Et historisk øjeblik i denne sammenhæng var i 1997, da computeren Deep Blue, udviklet af IBM, besejrede verdensmester Garry Kasparov og demonstrerede computernes potentiale i komplekse strategiske spil.

🗂 Modtagne data

Du har til rådighed et datasæt bestående af følgende filer:

📁 train.csv

Indeholder:

• id – unikt identifikator (P00001, P00002 …)
• image_path – sti til billede
• label – type af brik (bishop, knight, pawn, queen, rook)

📁 test.csv

Indeholder:

• id – unikt identifikator
• image_path – sti til billede

Alle billeder er gemt i mappen images/.

🎯 Arbejdsopgave

Byg en billedklassifikationsmodel, der kan skelne mellem skakbrikker (bishop, knight, pawn, queen, rook). Du kan bruge enhver moderne deep learning-arkitektur: ResNet, EfficientNet, Vision Transformer, ConvNeXt osv., eventuelt med fine-tuning på fortrænede modeller.

Til sidst vil du generere en submission.csv-fil med formen:

1id,label2P00081,queen3P00082,knight

📊 Evaluering

Metrikken brugt til evaluering af modellen er nøjagtighed:

1accuracy = (antal_korrekte_forudsigelser / samlet_antal_forudsigelser)

🏅 Pointsystem:

• accuracy ≥ 90% → 100 point
• accuracy < 20% → 0 point
• ellers → proportional score mellem 0 og 100