不同于nnunet初代版本在nnUNet_raw里面不需要额外的 cropped
步骤五:数据集的转换与json文件
数据集转化这次没用上,就先不细说了,后续再补充
json文件相较nnunet初代版本改了好多。但考虑到其实写的比原先版本更简洁了,可以认为是件好事情吧:
我一开始用了初代的json惨遭报错:
标准格式的文件如下:
nnunetV2给了相应的脚本:
可参考:nnU-Net v2的环境配置到训练自己的数据集(详细步骤)_小萝北hh的博客-CSDN博客
其中labels 0,1,2,3请务必对应好!所有mask文件上出现的数字都要有归属,目前nnunet尚不支持重合的mask(即不同mask之间有交集)。对文件里mask数字位置的,可以打开python去读文件或者,ITK-SNAP读一下:ITK-SNAP Home (itksnap.org)")
Label1是红色,label2是绿色,则这层mask的矩阵,对应红色区域位置是1,绿色的是2,其余(background)是0
(备注:ITK-SNAP,包括python里面一些需要调用itk包,都是在路径中不能出现中文字,甚至“-”都不能出现,可以改用为“_”)
步骤六:修改环境变量(三个)
这一步即为重要,在服务器上面无法ctrl+H的打开.bashrc文件,一般的本地也需要修改环境变量,用这个方法应该也可以
需要用到vim
1、进入vim
vim ~/.zshrc
vim ~/.bashrc (在我的使用中是 vim ~/.zshrc
2、进入编辑模式
:a
(注意冒号!)
3、修改三个环境变量:
请一一对应好步骤四 上述文件格式里的三个文件夹
(可以点到这个文件夹的位置,然后右键弹开,点击“复制绝对路径”)
export nnUNet_preprocessed="/home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_preprocessed"
export nnUNet_results="/home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_trained_models"
export nnUNet_raw="/home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_raw"
4、退出编辑模式
按 Esc
5、退出 记得先按上一步的Esc
:wq
输入 :wq ( :不可忽略,保存退出)
输入 :q! (不保存退出)
6、退出后加载更新后的配置
source ~/.zshrc
source ~/.bashrc (我的是source ~/zshrc)
7、更新后重新激活之前配置的环境
conda activate your_env_name
conda activate nnunet
常见问题: 这个就是典型环境变量没配好,报错写的很明显了,写明了nnUNet_result变量不存在
潜在的问题:
- 名字(可能在超算里面复制的路径前面还要加上 /home/xxxxx/)[一般来说,直接右键文件夹,然后复制绝对路径就没问题了]
- 文件结构是否有问题,特别是raw的路径要是DATASET01_NAME1的上一层
- 是否 source ~/.zshrc (否则相当于没刷新)
步骤七:数据集预处理
nnUNetv2_plan_and_preprocess -d TASK-NUM --verify_dataset_integrity
TASK-NUM是之前写的数字编号
nnUNetv2_plan_and_preprocess -d 101 --verify_dataset_integrity
常见报错:RAM爆了,我当时在报错回溯一个一个去查,在plan_preprocess_entrypoints.py里找到了可以修改的地方
default_np = {“2d”:8, “3d_fullres”: 4, “3d_lowres”: 8} 改成了2,2,2(还不行就1,1,1;再不行就提升下换个配置吧。。。或者修改一下其他看上去能减少workers的地方)
减少这个np,能够让内存不会爆,但速度肯定会低,建议大家可以试试自己设备能够容纳的最大值
修改后内存就处于一个比较健康的状态了
步骤八:模型训练
我贪方便,直接命令行里面写,跑完一折再写下一次。当然也可以编写终端运行此 tst.sh 文件,使用 source命令执行脚本(待补充学习)
nnUNetv2_train TASK-NUM 2d FOLD
nnUNetv2_train 101 2d 0
nnUNetv2_train 101 2d 1
nnUNetv2_train 101 2d 2
nnUNetv2_train 101 2d 3
nnUNetv2_train 101 2d 4
# 其中101表示数据集ID,上述提及过。0表示第1折
2d指的是训练Unet中的2d模型,可以选择3d_fullres,3d_lowres
开始训练了!Win!
nnUNet/nnunetv2/training/nnUNetTrainer/nnUNetTrainer.py路径下可以修改一些参数:
比如把epochs改为自己想要的数字,特别是刚开始拿到一个数据的时候,想先随便训练一下,节约时间跑个几十次就完全ok了
一些命令参数可以 在后面加上-h来查看
3. 在正常运行代码后遇到的问题:
Ctrl+C会中断实验,原来指令后面加--c
可以接着运行,再也不担心跑了一整晚的东西白跑了!
4.结果查看,每一折训练完都可以看看训练的过程:
比如progress.png就记录了训练迭代次数loss等的变化趋势,及时调整
位置在nnUNet/nnUNetFrame/DATASET/nnUNet_results/Dataset101_Lung/nnUNetTrainer__nnUNetPlans__2d/fold_0/progress.png
其中nnUNetTrainer__nnUNetPlans__2d中fold0,1,2,3,4下都能看到一些训练过程的记录
不同于一般的迭代过程,nnunet训练没有early stop概念,Fabian自己在github上解释了
步骤九:模型推理
可参考:
nnUNet实战一使用预训练nnUNet模型进行推理_nnunet 推理_Tina姐的博客-CSDN博客
nnUnet v2项目学习记录,训练自定义模型(不是Unet) - 知乎 (zhihu.com)")
精细化修改 修改loss等
↑参考,可用于提前推理
nnUNetv2_find_best_configuration 101 -f 0 1 2 3 4 -c 2d
步骤十:模型预测
新建一个文件夹用于储存预测的mask文件
-I 后跟着是需要预测mask的原影像文件, -o后面跟着label储存的位置
nUNetv2_predict -i原影像文件夹 -o 储存位置 -d TASK-NUM -c 2d
nnUNetv2_predict -i nnUNet/nnUNetFrame/DATASET/nnUNet_raw/Dataset101_Lung/imagesTr -o /home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_mask/Dataset101_lung/trainmask -d 101 -c 2d
步骤十一:预测结果分析
nnunet有自己内置的评价文件,位置在
预测结果分析:
/home/featurize/nnUNet/nnunetv2/evaluation/evaluate_predictions.py
修改即可,再在terminal cd到该py文件所在位置,输入python3 evaluate_prediction.py,接着去查看summary.json报告即可
分别对应着label1,2,3的评价指标
最终:获取服务器上的文件
把文件压缩,然后右键弹开download
参考文献
还是多看看开发者的github和写的documentation,还是有不少启发的
nnU-Net v2的环境配置到训练自己的数据集(详细步骤)_小萝北hh的博客-CSDN博客
在Windows上实现nnU-Net v2的环境配置_netv2_无聊的程序猿的博客-CSDN博客
nnUNet_v2/documentation/how_to_use_nnunet.md at master · DIAGNijmegen/nnUNet_v2 · GitHub
nnUNetV2使用教程,超详细!!(使用MSD十项全能数据集)_msd数据集_不开心的多巴胺的博客-CSDN博客
不用写代码神器!教你用4行命令轻松使用nnUNet训练自己的医学图像分割模型_Tina姐的博客-CSDN博客
主要问题:nnunet和nnunetv2有一定差异:
nnUNet-v2 官方调用教程(节选关键内容)_新一代切糕传承人的博客-CSDN博客 (这篇文章几乎包含了所有差异!!)
1、环境的要求,torch直接拉到2.0了,一开始配1.几的还用不了
2、命名的差异(如指令名在nnunet后面都要+v2)
3、Json文件的区别,其实写的比原先版本更更简洁了,反倒是件好事情:
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
2、命名的差异(如指令名在nnunet后面都要+v2)
3、Json文件的区别,其实写的比原先版本更更简洁了,反倒是件好事情:
[外链图片转存中…(img-zFlynO9U-1714240325229)]
[外链图片转存中…(img-8kcZpYN6-1714240325230)]
[外链图片转存中…(img-n4n56F74-1714240325230)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新