nnUNetv2实操记录_file &quot；d projects python nnunet nnunetv2 dataset_c

最新推荐文章于 2024-06-14 09:50:01 发布

2401_84182222

最新推荐文章于 2024-06-14 09:50:01 发布

阅读量879

点赞数 18

分类专栏： 2024年程序员学习文章标签： python 开发语言

本文链接：https://blog.csdn.net/2401_84182222/article/details/137854312

版权

2024年程序员学习专栏收录该内容

64 篇文章 0 订阅

订阅专栏

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

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

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

nnUNet_preprocessed = os.environ.get(‘nnUNet_preprocessed’)

nnUNet_results = os.environ.get(‘nnUNet_results’)

nnUNet_raw=“/home/bai/environments/nnUNet/DATASET/nnUNet_raw”
nnUNet_preprocessed=“/home/bai/environments/nnUNet/DATASET/nnUNet_preprocessed”
nnUNet_results=“/home/bai/environments/nnUNet/DATASET/nnUNet_trained_models”


##### 五、数据集转换


对下载好的数据集进行命名格式转换

nnUNetv2_convert_MSD_dataset -i /home/bai/Task02_Heart -overwrite_id 502


给数据集起个代号502，方便后用。  
 关于dataset.json文件，这个文件包含你的训练数据信息和任务信息，如果下载了网上公共的数据集，那里面是包含dataset.json文件的，如果你有训练自己的数据集的需求，再另需更改。


##### 六、数据集预处理


此步骤对数据进行：裁剪crop，重采样resample以及标准化normalization，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。

nnUNetv2_plan_and_preprocess -d 502 --verify_dataset_integrity


运行后将在 nnUNet\_preprocessed 文件夹中创建一个以数据集命名的新子文件夹，包含预处理数据。  
 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YScKgGor-1692530073046)(image-1.png#pic\_center)]


##### 七、模型训练


1.更改epoch  
 nnUNet默认原始的epoch是1000，太久，我进入次目录改成50。  
 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DMoBYI3k-1692530073047)(image-2.png)]  
 2.输入训练命令

nnUNetv2_train Dataset502_Heart 2d 0
nnUNetv2_train Dataset502_Heart 3d_fullres 0 --c


分别意思是2d模式0折训练、3d全分辨率0折断点继续训练。  
 3.多卡训练

CUDA_VISIBLE_DEVICES=X nnUNetv2_train […]

指定GPU

-device DEVICE


##### 八、训练结果


1.训练后的模型写入/home/bai/environments/nnUNet/DATASET/nnUNet\_trained\_models这个路径下。  
 2.训练后得到的文件  
 debug.json：包含用于训练此模型的蓝图和推断参数的摘要。对调试有用。


model\_best.model/model\_best.model.pkl：训练期间识别的最佳模型的检查点文件。


model\_final\_checkpoint.model/model\_final\_checkpoint.model.pkl：最终模型的检查点文件（训练结束后）。这是用于验证和推理的。


networkarchitecture.pdf（仅当安装了hiddenlayer时！）：一个pdf文档，其中包含网络架构图。


progress.png：训练期间训练（蓝色）和验证（红色）损失的图。还显示了评估指标的近似值（绿色）。这个近似值是前景类的平均Dice分数。


validation\_raw：在这个文件夹中是训练完成后预测的验证案例。summary.json包含验证度量（文件末尾提供了所有情况的平均值）。


training\_log：训练过程中不断打印，nnunet的loss函数默认是趋向-1的，也就是说在训练的过程中，我们通过每轮训练的日志可以查看到每轮的loss函数，这个数值应该是负数，而且越趋向于-1，效果越好。  
 感受一下50 epoch，不咋地啊  
 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qgtv352N-1692530073048)(image-3.png)]  
 3.确定最佳U-Net配置  
 本文只说明了3d\_fullres的训练，完整的nnUNet流程还需要跑2d和3d级联的，然后进行三种的择优。不过从实际性能来说，一般3d级联≥3d＞2d，是否跑其他两种需要自己考虑。  
 训练完所有模型后，使用以下命令自动确定用于测试集预测的U-Net配置：(这步没做)

nnUNet_find_best_configuration -m 2d 3d_fullres 3d_lowres 3d_cascade_fullres -t 1


##### 九、运行推理


查看推理命令相关参数含义

nnUNetv2_predict -h

nnUNetv2_predict -i /home/bai/environments/nnUNet/DATASET/nnUNet_raw/Dataset502_Heart/imagesTs -o /home/bai/environments/nnUNet/DATASET/predicted -d Dataset502_Heart -p nnUNetPlans -c 3d_fullres -f 0 --save_probabilities


新建predicted文件夹中存放的推理结果，与imagesTs文件夹里的数据一一对应。



**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。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）**
![img](https://img-blog.csdnimg.cn/img_convert/3384a61e3301200b4aab41a60f065cc9.png)

**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！**

数据）**
[外链图片转存中...(img-Dg5KTUzL-1713313760047)]

**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！**