问题基本如题使用的具体规格是pytorch1.8-cuda10.2-cudnn7-ubuntu18.04，GPU等情况是：GPU: 1*T4(16GB)|CPU: 8核 32GB，在配置好了相关数据和文件之后，训练开始阶段报错“RuntimeError: cuDNN error: CUDNN_STATUS_NOT_INITIALIZED”。我猜想应该是和cuDNN的安装和版本适配有关，但实在是不清楚具体该怎么在Modelarts上完成配置，各位请不吝赐教QvQ

想要进行车流量的图像识别，请问哪个更符合要求

物体检测YOLOv3实践原理：ModelArts是面向AI开发者的一站式开发平台，支持自动学习的功能，还预置了多种已训练好的模型，ModelArts相对而言降低了AI应用的门槛，是一个高灵活、零代码的定制化模型开发工具，平台根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型。本次实验使用自动学习中的物体检测功能，用于识别图片中车的数量和位置。物体检测是计算机视觉中的一个重要的研究领域，在人流检测，行人跟踪，自动驾驶，医学影像等领域有着广泛的应用。不同于简单的图像分类，物体检测旨在对图像中的目标进行精确识别，包括物体的位置和分类，因此能够应用于更多高层视觉处理的场景。例如在自动驾驶领域，需要辨识摄像头拍摄的图像中的车辆、行人、交通指示牌及其位置，以便进一步根据这些数据决定驾驶策略。本期学习案例，我们将聚焦于YOLO算法，YOLO(You Only Look Once)是一种one-stage物体检测算法。1.数据和代码下载运行下面代码，进行数据和代码的下载和解压本案例使用coco数据，共80个类别。2.准备数据2.1文件路径定义2.2读取标注数据2.3数据读取函数，构建数据生成器。每次读取一个批次的数据至内存训练，并做数据增强。3.模型训练本案例使用Keras深度学习框架搭建YOLOv3神经网络。可以进入相应的文件夹路径查看源码实现。3.1构建神经网络可以在./yolo3/model.py文件中查看细节训练回调函数定义3.2开始训练3.3保存模型4.模型测试4.1打开一张测试图片4.2图片预处理4.3构建模型4.4加载模型权重，或将模型路径替换成上一步训练得出的模型路径4.5定义IOU以及score：IOU： 将交并比大于IOU的边界框作为冗余框去除score：将预测分数大于score的边界框筛选出来4.6构建输出[boxes, scores, classes]4.7进行预测成功预测出图片中含有的内容（人物，雨伞）注意事项：本案例使用框架: TensorFlow-1.13.1本案例使用硬件规格: GPU V100

环境：Atlas800 算力卡910CANN 版本为6.3.RC1 训练容器为：pytorch-modelzoo：23.0.RC1-1.11.0训练代码Yolov7_for_PyTorch下载地址https://gitee.com/ascend/modelzoo-GPL/tree/master/built-in/PyTorch/Official/cv/object_detection/Yolov7_for_PyTorch训练样本coco现象：