当我给每张测试集的预测结果是一个覆盖整张图像的一个多边形时，平台返回给我的Recall score分数是53，这个该如何解释呢，我理解的是，因为此时每个ground truth与预测结果的交集都是大于自身一半的，召回结果应该是100吧。

Q：这是一场什么样的比赛？“挑战杯”全国大学生课外学术科技作品竞赛是由共青团中央、中国科协、教育部、中国社会科学院和全国学联共同主办的全国性的大学生课外学术实践竞赛。“揭榜挂帅”作为“挑战杯”专项赛之一，企业提需求出题，面向高校广发“英雄帖”，学生团队竞争揭榜。旨在促进产教融合，打造校、企、研成果转化为“桥头堡”。Q：谁可以参加这个比赛？有学生赛道和青年科技人才两个赛道；学生赛道：2024年6月1日以前正式注册的全日制非成人教育的各类高等院校在校专科生、本科生、硕士研究生（不含在职研究生）均可申报作品参赛，以个人或团队形式参赛均可。本校硕博连读生（直博生）若在2024年6月1日以前未通过博士资格考试的，可以按研究生学历申报作品。没有实行资格考试制度的学校，前两年可以按硕士学历申报作品。本硕博连读生，按照四年、两年分别对应本、硕申报，后续则不可申报。青年科技人才赛道：在高等学校、科研院所、企业等各类创新主体中工作的、具有一定科研热情和科研能力的青年科技工作者或者在读博士。参赛人员年龄应在18至35周岁，即1989年6月1日至2006年6月1日期间出生。符合高校学生赛道报名条件的在读博士不得参加青年科技人才赛道比赛，高校青年教师在指导学生参赛的同时不得以参赛人员身份参加同一选题比赛，发榜单位及同发榜单位有相关隶属关系单位的青年不得参加本单位选题比赛。Q：怎么报名参加比赛？登录挑战杯官网（https://fxyh-t.bocmartech.com/jbgs/#/login），在线填写报名信息；点击“挑战杯”官网左侧“作品报名”选项，下载报名信息表打印，并加盖学校公章回传至官网；选手需登录华为云大赛平台（学生：cid:link_0；青年科技人才赛道：https://competition.huaweicloud.com/information/1000042071/introduction）进行实名校验；点击华为云大赛平台菜单栏中的“我的团队”，并点击“组建团队”，所有成员都必须完成实名校验并加入该团队。Q：有问题如何求助？论坛发帖求助：比赛过程中参赛选手可以在论坛中发帖，详细描述您遇到的问题，大赛组委会工作人员将会在工作日工作时间09:00-18:00在社区回复（为保证大赛公平公正原则，大赛官方仅针对报名方式、赛制、赛题、大赛安排等问题进行答疑）。赛事交流群求助：请扫描进入交流群，赛事相关资讯也会第一时间在群内同步，请所有报名选手务必加群。                                      （青年科技人才赛道）                                                             （学生赛道）联系大赛工作人员：如没有得到及时回复，可以添加大赛工作人员微信：15889847842（微信号：HW88886712）。Q：华为云AI开发平台的编程语言用的是华为独创的，还是python、C语言等其他编程语言都能兼容？AI开发，还是主流的Python、C++，没有独创的语言。Q：请问项目检测的样品必须是pcb板吗？可以是其他工业样品吗？是PCB板，数据样例集已给出，请见赛事页面。Q：本次比赛是只会提供这样一个小数据集吗？还是后面会有大数据集呢？本次大赛发放的是样例集，选手可以参考样例集缺陷自行寻找或制作开源数据集制作模型。Q：请问一下后期测试数据里是否也是五类缺陷，会不会有其他类别呢？不会了，缺陷种类是一样的。Q：我们需要检测的就是这块pcb板吗？还是说我们可以基于这个平台检测其他物品，缺陷由我们自己来定。赛题确定为PCB板检测，并且缺陷是样例集里固定的几种。Q：训练的材料也是公司这边提供吗？赛事页面已提供样例集，我们选手可以自行寻找合适的开源数据集。Q：评分用的数据集也是和样例数据集一样吗？一张pcb板只会有一种错误，还是说有几种错误同时在一张板子上的情况？是的，缺陷种类一样，初赛是一张板子一种缺陷。Q：大赛中使用的算法是否必须为本人提出的？使用开源的sota方案是否符合要求？初赛不做限制的，看最终的得分。Q：能够用自己买的910来训练吗？也可以，但不推荐，910很贵。Q：为什么我跑提供的初赛指导里面的yolov5，有调用了HAM，但是NPU AI那个调用一直是0%呀？其实 npu有调用，只是训练消耗的不多，有时候只有小一段时间会使用，所以会看到0这种情况。Q：打榜的分数是累计的吗这个每提交一次就有分，取最高分。Q：收费平台是训练的npu和储存两部分吗，代金券用完要分别在两个平台充钱吗收费是包括npu和存储两部分，但是代金券应该是都包含的，所以不用担心。Q：preprocess的入参date一次只包含一张图吗？是的。Q：请问老师样例集和训练集是同分布的吗，还是只有格式是一样的只能说格式一样。

前言图像分割可以分为两类：语义分割（Semantic Segmentation）和实例分割（Instance Segmentation），前面已经给大家介绍过两者的区别，并就如何在labview上实现相关模型的部署也给大家做了讲解，今天和大家分享如何使用labview 实现deeplabv3+的语义分割，并就 Pascal VOC2012 (DeepLabv3Plus-MobileNet) 上的分割结果和城市景观的分割结果（DeepLabv3Plus-MobileNet）给大家做一个分享。一、什么是deeplabv3+Deeplabv3+是一个语义分割网络，使用DeepLabv3作为Encoder模块，并添加一个简单且有效的Decoder模块来获得更清晰的分割。即网络主要分为两个部分：Encoder和Decoder；论文中采用的是Xception作为主干网络（在代码中也可以根据需求替换成MobileNet，本文示例中即使用的MobileNet），然后使用了ASPP结构，解决多尺度问题；为了将底层特征与高层特征融合，提高分割边界准确度，引入Decoder部分。Encoder-Decoder网络已经成功应用于许多计算机视觉任务，通常，Encoder-Decoder网络包含：逐步减少特征图并提取更高语义信息的Encoder模块逐步恢复空间信息的Decoder模块二、LabVIEW调用DeepLabv3+实现图像语义分割1、模型获取及转换下载预训练好的.pth模型文件，下载链接： cid:link_2 ，我们选择主干网络为Mobilenet的模型 git上下载开源的整个项目文件，链接为： cid:link_0根据requirements.txt 安装所需要的库pip install -r requirements.txt原项目中使用的模型为.pth，我们将其转onnx模型，将best_deeplabv3plus_mobilenet_voc_os16.pth转化为deeplabv3plus_mobilenet.onnx，具体转化模型代码如下：import network import numpy as np import torch from torch.autograd import Variable from torchvision import models import os import re dirname, filename = os.path.split(os.path.abspath(__file__)) print(dirname) def get_pytorch_onnx_model(original_model): # define the directory for further converted model save onnx_model_path = dirname # define the name of further converted model onnx_model_name = "deeplabv3plus_mobilenet.onnx" # create directory for further converted model os.makedirs(onnx_model_path, exist_ok=True) # get full path to the converted model full_model_path = os.path.join(onnx_model_path, onnx_model_name) # generate model input generated_input = Variable( torch.randn(1, 3, 513, 513) ) # model export into ONNX format torch.onnx.export( original_model, generated_input, full_model_path, verbose=True, input_names=["input"], output_names=["output"], opset_version=11 ) return full_model_path model = network.modeling.__dict__["deeplabv3plus_mobilenet"](num_classes=21, output_stride=8) checkpoint = torch.load("best_deeplabv3plus_mobilenet_voc_os16.pth", map_location=torch.device('cpu')) model.load_state_dict(checkpoint["model_state"]) full_model_path = get_pytorch_onnx_model(model)将best_deeplabv3plus_mobilenet_cityscapes_os16.pth转化为deeplabv3plus_mobilenet_cityscapes.onnx，具体转化模型代码如下：import network import numpy as np import torch from torch.autograd import Variable from torchvision import models import os import re dirname, filename = os.path.split(os.path.abspath(__file__)) print(dirname) def get_pytorch_onnx_model(original_model): # define the directory for further converted model save onnx_model_path = dirname # define the name of further converted model onnx_model_name = "deeplabv3plus_mobilenet_cityscapes.onnx" # create directory for further converted model os.makedirs(onnx_model_path, exist_ok=True) # get full path to the converted model full_model_path = os.path.join(onnx_model_path, onnx_model_name) # generate model input generated_input = Variable( torch.randn(1, 3, 513, 513) ) # model export into ONNX format torch.onnx.export( original_model, generated_input, full_model_path, verbose=True, input_names=["input"], output_names=["output"], opset_version=11 ) return full_model_path model = network.modeling.__dict__["deeplabv3plus_mobilenet"](num_classes=19, output_stride=8) checkpoint = torch.load("best_deeplabv3plus_mobilenet_cityscapes_os16.pth", map_location=torch.device('cpu')) model.load_state_dict(checkpoint["model_state"]) full_model_path = get_pytorch_onnx_model(model)注意：我们需要将以上两个脚本保存并与network文件夹同路径2、LabVIEW 调用基于 Pascal VOC2012训练的deeplabv3+实现图像语义分割 （deeplabv3+_onnx.vi）经过实验发现，opencv dnn因缺少一些算子，所以无法加载deeplabv3+ onnx模型，所以我们选择使用LabVIEW开放神经网络交互工具包【ONNX】来加载并推理整个模型，实现语义分割，程序源码如下： 3、LabVIEW Pascal VOC2012上的分割结果（deeplabv3+_onnx.vi）4、LabVIEW 调用基于 Cityscapes 训练的deeplabv3+实现图像语义分割 （deeplabv3+_onnx_cityscape.vi）如下图所示即为程序源码，我们对比deeplabv3+_onnx.vi，发现其实只需要把模型和待检测的图片更换，图片尺寸比例也做一个修改即可 5、LabVIEW 城市景观的分割结果（deeplabv3+_onnx_cityscape.vi）转载自：cid:link_1

已经成功嵌入到相机里面了， 就是检测不出结果。是不是中间有什么坑！请问是为什么？

在python3.8下面应该如何使用nvidia-smi？