2024年最新nnU-Net v2的环境配置到训练自己的数据集（详细步骤）_nnunetv2，2024年最新我阿里P7了解到的大数据开发面试的一些小内幕

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

2. 创建虚拟环境：在pycharm中打开终端，输入命令行：conda create -n nnUNet python=3.9，创建一个名字为 nnUNet 的虚拟环境，并且指定python为3.9的版本
   
   
   
3. 在虚拟环境中安装torch：
   （1） 首先输入：nvidia-smi 查看信息，下图中的CUDA Version:12.0是指CUDA最高版本为12.0，即安装GPU版本的torch 的时候，安装12.0以下的版本
   

（2） 打开Pytorch官网：Pytorch地址，在此界面下拉，按照自己配置选择，然后复制给出的命令行


（3） 回到pycharm终端，进入粘贴此代码，进行torch安装

三、nnUNet框架的安装

**注意：**环境已经安装配好之后，接下来的所有操作都在此环境中，即：都需要先激活虚拟环境。GitHub-文档说明link

1. 安装nnUNet：（1）激活虚拟环境，（2）使用此命令行：

pip install nnunetv2

2. 创建nnUNet代码副本，和直接在GitHub上下载下来一样效果，继续在终端的虚拟环境中，按顺序分别执行以下3个命令行：（**注意：**最后一个命令最后有一个.）其中，pip install -e .的目的：（1）安装nnUNet需要的python包；（2）向终端添加新的命令，这些命令用于后续整个nnU-Net pipeline的执行，这些命令都有一个前缀：nnUNetv2_

git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e .

具体步骤如下图：

3. 安装隐藏层（可选，可以不安装），hiddenlayer 使 nnU-net 能够生成网络拓扑图

pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git

四、数据集的准备

得到克隆之后的副本，即：名为 nnUNet 的文件夹，参照官方文档，准备数据集。GitHub-文档说明link

1. 数据集文件夹结构：按照如下步骤创建文件夹，存放相应的数据集
   （1） 在 名为 nnUNet 的文件夹 中创建一个名为 名为 GATASET 的文件夹 的文件夹
   （2） 在 名为 GATASET 的文件夹 中创建3个文件夹，命名分别为：nnUNet_raw、nnUNet_preprocessed 和 nnUNet_trained_models。如下图所示：

（3） 在 名为 nnUNet_raw 的文件夹 中创建1个 名为 Dataset001_Teeth 的文件夹

说明1：文件夹命名为：Dataset+三位整数+任务名，Dataset001_Teeth中数据集ID为1，任务名为Teeth。此文件夹下存放需要的训练数据集imageTr、测试集imageTs、标签labelsTr。其中imageTs 是与imageTr中一一对应的标签，文件中都是nii.gz文件。imageTs是可选项，可以没有。如下图所示

说明2：json文件是对三个文件夹内容的字典呈现。先在 Dataset001_Teeth文件夹下创建一个空白的dataset.json文件，然后运行以下代码写入相应的 json文件

import json

nnUNet_dir = '/root/autodl-tmp/nnU-Net/nnUNet/DATASET/' #此路径根据自己实际修改

def sts\_json():
    info = {
        "channel\_names": {
            "0": "CBCT"
        },
        "labels": {
            "background": 0,
            "Teeth": 1
        },
        "numTraining": 12,
        "file\_ending": ".nii.gz"
    }
    with open(nnUNet_dir + 'nnUNet\_raw/Dataset001\_Teeth/dataset.json',
              'w') as f:
        json.dump(info, f, indent=4)

sts\_json()

运行后生成的 json文件内容如下：

五、设置读取文件路径设置（重要）

1. 需要让nnUNet知道文件存放在哪里，否则执行数据处理等一下相关操作都会报错，如下图
   
   

2. 方法一：(自己使用的方法一)
   （1） 找到root文件夹下的.bashrc文件（**注：**这里自己租用的云平台的服务器，若是自己的服务器在home文件夹下找 .bashrc文件，若没有，在home目录下使用Ctrl+h，显示隐藏文件）
   
   （2） 打开.bashrc文件，在最后添加此三行内容，记得要更新一下修改后的文件，具体说明如下图

export nnUNet_raw="/root/autodl-tmp/nnU-Net/nnUNet/DATASET/nnUNet\_raw"
export nnUNet_preprocessed="/root/autodl-tmp/nnU-Net/nnUNet/DATASET/nnUNet\_preprocessed"
export nnUNet_results="/root/autodl-tmp/nnU-Net/nnUNet/DATASET/nnUNet\_trained\_models"

3. 方法二：

4 注：更新文档可以点击按钮更新，然后在终端使用命令行source .bashrc更新，如下图
（1）
（2）

六、数据集的转换

1. 此任务的数据集不需要格式转换，此步骤是为了将数据集转换成上述imageTr文件夹里面图片中显示的样子：名字_000X 的形式
2. 数据集转换的指令：

nnUNet_convert_decathlon_task -i /root/autodl-tmp/nnU-Net/nnUNet/DATASET/nnUNet_raw/Dataset001_Teeth

3. 此步骤参考：link

七、数据集预处理

1. 此步骤对数据进行：裁剪crop，重采样resample以及标准化normalization，具体论文中有讲解，或参看此博文：nnU-Net论文解读。将提取数据集指纹（一组特定于数据集的属性，例如图像大小、体素间距、强度信息等）。此信息用于设计三种 U-Net 配置。每个管道都在其自己的数据集预处理版本上运行
2. 继续在虚拟环境中执行一下命令行：

nnUNetv2_plan_and_preprocess -d DATASET\_ID --verify_dataset_integrity  

此命令行中的DATASRT_ID根据自己任务修改，此任务中，Dataset001_Teeth 中可知ID为1 所以执行的命令为：

nnUNetv2_plan_and_preprocess -d 1 --verify_dataset_integrity  

具体如下图所示：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！