Identifizierung der Schachfiguren

Identifizierung von Schachfiguren

Schach ist ein berühmtes strategisches Spiel mit einer jahrhundertelangen Geschichte, das für seine Komplexität und die hohen Anforderungen an logisches Denken und Planung bekannt ist. Die Verbindung zwischen Schach und künstlicher Intelligenz ist eng: Viele Algorithmen und maschinelle Lerntechniken wurden gerade entwickelt, um Agenten zu schaffen, die in der Lage sind, Schach auf hohem Niveau zu spielen.

Ein historischer Moment in diesem Kontext war 1997, als der von IBM entwickelte Computer Deep Blue den Weltmeister Garry Kasparov besiegte und das Potenzial von Computern in komplexen strategischen Spielen demonstrierte.

🗂 Erhaltene Daten

Du hast einen Datensatz zur Verfügung, der aus folgenden Dateien besteht:

📁 train.csv

Enthält:

• id – eindeutige Kennung (P00001, P00002 …)
• image_path – Pfad zum Bild
• label – Figurentyp (bishop, knight, pawn, queen, rook)

📁 test.csv

Enthält:

• id – eindeutige Kennung
• image_path – Pfad zum Bild

Alle Bilder sind im Verzeichnis images/ gespeichert.

🎯 Arbeitsaufgabe

Erstelle ein Bildklassifikationsmodell, das Schachfiguren unterscheiden kann (bishop, knight, pawn, queen, rook). Du kannst jede moderne Deep-Learning-Architektur verwenden: ResNet, EfficientNet, Vision Transformer, ConvNeXt usw., eventuell mit Fine-Tuning auf vortrainierten Modellen.

Am Ende generierst du eine Datei submission.csv mit der Form:

1id,label2P00081,queen3P00082,knight

📊 Bewertung

Die für die Modellbewertung verwendete Metrik ist die Genauigkeit:

1accuracy = (anzahl_korrekte_vorhersagen / anzahl_gesamt_vorhersagen)

🏅 Punktesystem:

• accuracy ≥ 90% → 100 Punkte
• accuracy < 20% → 0 Punkte
• andernfalls → proportionale Punktzahl zwischen 0 und 100