语义分割实践思考记录（个人备忘录）

一、任务管理器、NVDIA的GPU利用率显示[1][2]

        若需要在任务管理器中查看基于Pytorch框架的GPU利用率，那么，我们需要将监控面板监测内容调整为cuda。图一（左）即为英伟达命令行工具面板。

图一 英伟达GPU使用率监控

二、基于混淆矩阵的语义分割评价指标计算

        在语义分割数据集标签制作的过程中，我们通常根据分类类别数N来以0 — （N-1）的整型数字标记不同的分类目标。通过图二可以看出，在相同预测模型且相同数据量的情况下，方法二评价指标计算效率高（较方法一节约了一半时间），同时，充分有效地利用了上述标签标记的机制。

        方法二的混淆矩阵代码编写简述：首先，根据语义分割任务分类类别数N创建N×N(N行N列)的零矩阵，然后利用pytorch中的view（）函数将单幅预测结果图及标签图分别展平为一行，再者利用Python的zip（）函数组合对应像素的混淆矩阵坐标，最后根据混淆矩阵坐标不断循环加一即可。若混淆矩阵坐标为（预测值，标签值），则行号为预测结果，列号为真值。

图二 混淆矩阵生成与精度指标计算

参考资料：

[1]NVIDIA查看CPU、内存、GPU、DLA使用情况_宗而研之的博客-CSDN博客

[2]Tensorflow模型GPU使用率低的问题_模流分析软件不占gpu_CooL截击的博客-CSDN博客