在Windows下用Pycharm实现nnUnet网络

已于 2023-05-17 07:57:06 修改
阅读量6.3k 收藏 128
点赞数 21
分类专栏： nnUnet segmentation 文章标签： python 深度学习 gitee 机器学习 windows
于 2023-04-03 14:58:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hsjshmily/article/details/129928809
版权
本文详细介绍了如何在Windows上搭建nnUnet环境，包括代码下载、虚拟环境创建、CUDA和torch的安装、PyCharm的配置，以及数据集准备、预处理、训练和推理的步骤。过程中提到了针对Windows的特殊注意事项和可能遇到的问题，适合初学者参考。
摘要由CSDN通过智能技术生成

目录

1 写在前面

2 代码下载

2.1 Windows下：

2.2 Linux下：

3 虚拟环境

3.1 代码放置

3.2 创建虚拟环境

创建虚拟环境：

 激活环境：

添加镜像源：

查看cuda，输入：

 安装torch：

配置pycharm的虚拟环境：

 4 安装nnUnet的相关配置

4.1 requirements

4.2 安装隐藏层

 5 数据集准备

5.1 创建文件

5.2 数据集下载

5.3 路径添加

6 数据转换和识别 

7 数据预处理

8 开始训练

8.1 方法一

8.2 方法二：

9 推理

参考的博文

1 写在前面

nnUnet的作者是Linux平台下实现的，Windows下实现需要一些别的步骤，翻阅了很多博文，踩了很多坑，终于用官方数据跑通了一遍。

2 代码下载

2.1 Windows下：

GitHub - marcus-wirtz-snkeos/nnUNet-Windows

mirrors / MRCWirtz / nnUNet-1 · GitCode

这两个都是一样的，感谢这些大佬把代码变成了Windows可用的！！！

2.2 Linux下：

GitHub - MIC-DKFZ/nnUNet

这个代码就是nnUnet作者的代码

3 虚拟环境

3.1 代码放置

将下载好的代码解压到放在某个盘，我放在了D盘的A_A文件夹里。

用pycharm打开项目nn-Unet-Windows-master，我把项目改了名字为nnUnet-win，之后项目的操作都是这个名字。也就是说，我的这个项目的路径就是D:\A_A\nnUNet-win。

项目里面应该包含这些：

接下来所有步骤都是在pycharm的终端进行的。

3.2 创建虚拟环境

打开终端Terminal

创建虚拟环境：

conda create -n nnUnet_win python=3.7

 激活环境：

conda activate nnUnet_win

添加镜像源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2

查看cuda，输入：

nvcc -V

显示为cuda版本为10.2

安装torch：

可以查看cuda与torch版本对应：Previous PyTorch Versions | PyTorch

需要安装cuda=10.2对应的torch版本，我安装的是1.7的，终端输入：

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.2 -c pytorch

配置pycharm的虚拟环境：

依次点开file-->settings --> Project:nnUnet-Windows-master --> Python Interpreter

点击+号，把你创建的虚拟环境设置在这里。选择Conda Environment--> Existing environment，找到自己的Anaconda所在文件夹，选择envs-->nnUnet-win-->python.exe，然后点击ok。

 

4 安装nnUnet的相关配置

4.1 requirements

pip install -e .

 若安不好，就加一个源，如清华源：

pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple/

这一步是安装setup.py文件里的requirements。

4.2 安装隐藏层

非必须，安不上也没关系，隐藏层使nnU-net能够给出其生成的网络拓扑图

pip install --upgrade git+https://github.com/nanohanno/hiddenlayer.git@bugfix/get_trace_graph#egg=hiddenlayer

显示这样就装好了：

5 数据集准备

5.1 创建文件

第一步：在nnUnet-win里新建文件夹DATASET，会用它来存放数据

第二步：在DATASET文件夹中创建三个文件夹，它们分别是nnUNet_raw，nnUNet_preprocessed，nnUNet_trained_models

 第三步：在nnUNet_raw文件夹中创建nnUNet_cropped_data文件夹（待会用来存放原始数据）和nnUNet_raw_data文件夹（待会用来存放crop以后的数据）。

第四步：在nnUNet_raw_data文件夹中创建一个名为Task01_BrainTumour的文件夹

解释：这个Task01_BrainTumour是nnUNet项目参加的一个医学图像十项全能竞赛的任务名，本文也是实践的这个任务，类似的还有Task02_Heart（分割心脏的）。

 这里的Task001_BrainTumour是我后面运行程序生成的，这里不用管他。

5.2 数据集下载

官网下载task01数据集

进入网站：http://medicaldecathlon.com/.（<–网上学科议建<–）

下载对应的数据集Task01_BrainTumour

下载好后，解压后是一个文件夹Task01_BrainTumour：

 打开它，是这样的：

将所有东西复制到D:\A_A\nnUNet-win\DATASET\nnUnet_raw\nnUnet_raw_data\Task01_BrainTumour里面。

其实，这里重要的东西就是四个文件夹：imagesTr、imageTs、labelsTr、dataset.json。

  • json文件是对三个文件夹内容的字典呈现（关乎你的训练）
  • imagesTr是你的训练数据集，打开后很多的有序的nii.gz的训练文件
  • labelsTr里对应imagesTr的标签文件，同样为nii.gz
  • imageTs训练阶段先不管，其实这个文件夹出现在任何位置都可以。（解释：nnUNet使用的是5折交叉验证，并没有验证集）。

5.3 路径添加

文件路径添加

Windows下，还需要为这些添加路径。

第一步：进入nnunet-->paths.py，到29行，把29-31行注释掉，根据自己的路径，把相关路径修改并添加。像图片里的那样，注释红框，添加蓝框

 可以直接复制：

base = r'D:\A_A\nnUNet-win\DATASET\nnUnet_raw'
preprocessing_output_dir = r'D:\A_A\nnUNet-win\DATASET\nnUnet_preprocessed'
network_training_output_dir_base = r'D:\A_A\nnUNet-win\DATASET\nnUnet_trained_models'

第二步：在系统变量添加这三个路径：

添加好后是这样

具体过程：右键“此电脑”--> 属性-->高级系统设置 -->环境变量 -->系统变量 --> 新建

然后把左边的添加为变量名， 后边的添加为变量值。添加好后，点击确定，再继续添加另两个的路径。

6 数据转换和识别

nnUNet要求将原始数据转换成特定的格式，以便了解如何读取和解释数据。

终端输入：

nnUNet_convert_decathlon_task -i /A_A/nnUNet-win/DATASET/nnUNet_raw/nnUNet_raw_data/Task01_BrainTumour

这一步完成后，会在D:\A_A\nnUNet-win\DATASET\nnUnet_raw\nnUnet_raw_data的文件夹里发现Task001_BrainTumour文件夹，打开后，里面就是这四个文件夹。

其格式与Task01_BrainTumour一模一样。

在pycharm里可以看到，它是每四个：0000、0001、0002、0003模态组成一个图像。

7 数据预处理

输入指令的格式应该如下：

nnUNet_plan_and_preprocess -t XXX --verify_dataset_integrity

因为我们的Task_id是1，所以这里XXX的就是1。因此，我这里输入的是：

nnUNet_plan_and_preprocess -t 1 --verify_dataset_integrity

这个过程会消耗很多的时间，速度慢的原因在于对要进行插值等各种操作。

提示没有某个模块，pip install即可。

 再重新运行预处理指令，需要耗费一点时间。可以看到是这样的：

最后像这样就运行好了

这一步会进行数据格式的转换，裁剪crop，重采样resample以及标准化normalization。

运行结束后，在D:\A_A\nnUNet-win\DATASET\nnUnet_raw\nnUnet_cropped_data里有Task001_BrainTumour，打开后有一些文件

 这里注意：预处理的数据文件夹仅包含训练案例，测试图像没有经过预处理。

8 开始训练

如果你的显卡内存没有8g以上，就不要参考方法一，直接进入方法二下载预训练好的模型。

8.1 方法一

进入nnunet/training/network_training/nnUNetTrainerV2.py

修改第48行的max_epoch，1000运行时间长，可以改小一些，例如100，500等。

 然后，在终端运行：

nnUNet_train 3d_fullres nnUNetTrainerV2 xx all

这里xx为数据编号，比如1。 all代表5-fold验证，可填写0-4，0代表五折交叉验证中的第0折，3d_fullres代表选用对全分辨率图像进行操作的3D U-Net，nnUNetTrainerV2是我们选用的训练器。

我这里运行的是这个命令：

nnUNet_train 3d_fullres nnUNetTrainerV2 1 4

也可以在末尾加“–npz”：

nnUNet_train 3d_fullres nnUNetTrainerV2 1 0 --npz

“–npz”使模型在最终验证期间保存softmax输出。它仅适用于计划在之后运行“nnUNet_find_best_configuration”的训练。

这就跑起来了：

一会儿就报错了，因为我的内存不够。

 

如果你成功的运行出来，其结果应该保存在D:\A_A\nnUNet-win\DATASET\nnUnet_trained_models\nnUNet里面。

8.2 方法二：

进入这个网址：pretrained models for 3D semantic image segmentation with nnU-Net | Zenodo

下载预训练模型，建议《<--网上学科<--》

 下载好后，解压打开是这样的：

 

 把它们全部复制到D:\A_A\nnUNet-win\DATASET\nnUnet_trained_models\nnUNet里面去。

9 推理

进入D:\A_A\nnUNet-win\DATASET\nnUnet_raw\nnUnet_raw_data\Task001_BrainTumour

创建文件夹inferTs和labelTs。

labelsTs中存放测试集的标签，inferTs是待推理测试集的推理结果。

由于原本的imagesTs中有1000多个nii文件，会花费巨额的时间，建议你先找个地方把其他文件拷贝出来，只留4个nii.gz文件进行推理，例如留下485的所有模态

在终端中执行下面命令行：

nnUNet_predict -i /A_A/nnUNet-win/DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour/imagesTs/ -o /A_A/nnUNet-win/DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour/inferTs -t 1 -m 3d_fullres -f 4

nnUNet_predict：执行预测的命令；

       -i: 输入（你的待推理测试集）；

       -o: 输出（测试集的推理结果）；

       -t: 你的任务对应的数字ID；

       -m: 对应的训练时使用的网络架构；

       -f: 数字4代表使用五折交叉验证训练出的模型；

       推理完全部需要消耗相当长的时间，建议使用用4个测试文件进行推理。一开始我只留了一个推理文件，结果报错，说task001需要至少4个。

若嫌弃太长，可以cd到路径下，再运行：

cd DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour/

nnUNet_predict -i imagesTs/ -o inferTs -t   1 -m 3d_fullres -f all

如果你想调试的话，在inference文件夹中找到predict_simple.py文件，然后输入参数就可以调试了。

最后推理结果在inferTs里，解压后，用itk打开可以查看结果。

但是只推理一个文件，结果不是很明显，可以多推理几个看看效果。把一个编号的4个模态：0000、0001、0002、0003都复制到imagesTs里。我后面又运行了9个文件（485-493），速度就比较慢了。大概用了几分钟就出结果了。

之后对全部数据进行推理，几小时出结果。

打开了493的推理结果：

参考的博文

nnUnet 在windows 10 上使用_nnunet windows_skyous的博客-CSDN博客

（四：2020.07.28）nnUNet最舒服的训练教程（让我的奶奶也会用nnUNet（上））（21.04.20更新）_nnuet_花卷汤圆的博客-CSDN博客

（五：2020.07.31）nnUNet最简单的推理教程（让我的奶奶也会用nnUNet（下））_nnunet推理_花卷汤圆的博客-CSDN博客

在windows下安装nnUnet，并制作数据集以及运行（让隔壁奶奶也能学会的教程）_花生米生花@的博客-CSDN博客nnUNet保姆级使用教程！从环境配置到训练与推理（新手必看）_nnunet推理_江江ahh的博客-CSDN博客在ubuntu/windows中安装nnUNet并训练自己的数据_nnunet安装_为了待会去码头整点薯条的博客-CSDN博客

可心木
关注
  • 21
    点赞
  • 踩
  • 128
    收藏
    觉得还不错? 一键收藏
  • 32
    评论
专栏目录
Windows下PyCharm安装图文教程
09-20
在Windows操作系统下安装PyCharm，按照以下步骤进行，即可顺利完成。 1. **访问PyCharm官网** 首先，你需要前往PyCharm的官方网站（https://www.jetbrains.com/pycharm/）获取最新版本的安装包。官网提供了多种...
Windows下pycharm创建Django 项目(虚拟环境)过程解析
09-18
主要介绍了Windows下pycharm创建Django 项目(虚拟环境)过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
nnUNetv2训练流程——环境配置、数据集构建、数据处理、训练
weixin_45882172的博客
04-26 3510
nnUNetv2初使用，分享内容包括：环境配置、数据集文件构建、数据格式化、数据预处理、数据训练整体流程说明。
nnUnet_windows.rar
12-14
原nnUnet代码是在linux下运行，在windows需要修改很多地方，该资源已经成功在windows下编译，直接安装就可以使用，里面还有制作nnUnet数据jason代码。
nnUNetv2代码详解与调试
最新发布
weixin_48111108的博客
07-17 946
nnUNetv2代码复现
nnUNet Windows安装
weixin_41935005的博客
03-02 638
nnUnet Windows
在windows下安装nnUnet，并制作数据集以及运行（让隔壁奶奶也能学会的教程）
热门推荐
花生米
08-11 1万+
1.前言 nnUnet原代码是在Linux下运行，如果现在windows下安装的话，会报各种错误，得改很多的地方，所以可以直接下载nnUnet_windows文件，这是我已经在windows上成功编译的版本，只要安装成功就可以直接运行。该链接中还包含apex安装包以及制作自己数据格式的代码。 nnUnet的版本是2021/7月更新的。 2.安装虚拟环境与Pytorch 最好要安装虚拟环境，否则要是把python环境安装坏了，那就麻烦了。 1.在命令行输入一下代码，其中nnUnet是虚拟环境名称，选择的pyt
nnUnet 在windows 10 上使用
weixin_45815033的博客
10-19 3684
nnUnet 在windows 10 上使用 这里的安装教程和linux上的基本一样，可以参考nnUNet最舒服的训练教程（让我的奶奶也会用nnUNet（上） 这位大佬的教程，但是需要注意的有几点： 从github上pull下来的nnunet不能使用官方的地址，因为官方的开发者没有在win10上使用过nnunet，所以得换其他开发者改过的nnunet进行安装，链接如右win10 安装nnunet。 请在系统变量中添加 export nnUNet_raw_data_base="/home/qiao/nnU
在Windows上实现nnU-Net v2的环境配置
weixin_53939134的博客
03-31 3396
nnU-Net v2在Windows上的使用
Windows下用PyCharm和Visual Studio开始Python编程
11-22
在这些IDE中，PyCharm是一个广泛使用且功能强大的选择，它由JetBrains公司开发，提供了丰富的特性，如代码自动补全、调试器、版本控制集成、项目管理等。对于初学者来说，PyCharm特别友好，因为它允许设置类似于...
Windows下Anaconda和PyCharm的安装与使用详解
09-17
### Windows 下 Anaconda 和 PyCharm 的安装与使用详解 #### 一、Anaconda 的安装与使用 **1.1 Anaconda 概述** Anaconda 是一个非常流行的 Python 发行版，它集成了大量的科学计算库，使得用户能够快速地进行...
Python-nnUNet是一个专为医学图像分割而设计的框架
08-11
nnU-Net是一个专为医学图像分割而设计的框架。 给定一个新的数据集（包括训练案例），nnU-Net将自动处理整个实验管道。
nnU-Net是第一种旨在处理在软件领域中发现的数据集多样性的分割方法-Python开发
05-25
nnU-Net在3D生物医学图像分割中，数据集属性（如成像方式，图像大小，体素间距，类比等）会发生巨大变化。 例如，肝脏和肝脏肿瘤分割挑战数据中的图像nnU-Net在3D生物医学图像分割中，数据集属性（如成像方式，图像大小，体素间距，类比等）会发生巨大变化。 例如，肝脏和肝脏肿瘤分割挑战数据集中的图像是计算机断层扫描（CT）扫描，约512x512x512大体素，各向同性体素间距，其强度值是定量的（Hounsfield单位）。 另一方面，“自动心脏诊断挑战”数据集显示了电影MRI wi中的心脏结构
nnUNet windows 遇到的 bug
THE XING
11-18 1219
报错内容 FileNotFoundError: [Errno 2] No such file or directory: 'G:\\COVID_19\\code\\nnUNet\\nnUNet_raw\\nnUNet_raw_data\\Task004_Hippocampus\\imagesTr\\Task04_Hippocampus\\imagesTr\\hippocampus_001_0000.nii.gz' 修改方式 首先是 experiment_planning/common_utils.py 把
window下nnUnetV2训练流程
supernova121的博客
06-06 1690
nnUnetV2需要pytorch2.0.0版本，因此需要先升级cuda，我们将cuda升级到11.8的版本，通过控制面板-程序和功能 删除NVDIA CUDA Documentation 10.1，安装cuda11.8版本，选择自定义安装，只安装CUDA。打开nnunetv2–>dataset_conversion–>convert_raw_dataset_from_old_nnunet_format.py文件，键入指令。执行任务40的训练，使用3d_fullres网络框架，训练第0折。
nnUnet运行
u013313168的专栏
03-23 664
一、数据预处理 plan_and_preprocess nnUNet_plan_preprocess.py python nnUNet_plan_and_preprocess -t NUM --verify_dataset_integrity 二、模型训练 run/run_training.py python run_training.py 3d_lowres nnUNetTrainer Task029_Liver 3 --verify_dataset_integrity ...
医疗图像分割实践NNUnet-V2 基于window10+3090配置。官方数据Task_02
qq_36340554的博客
10-18 2258
nnUnet是一个针对医学图像分割提出得一个即开即用的框架，用户只需要按照官方给出的数据要求进行格式转换便可以进行快速的医学图像分割的训练和推演。其更新的V2版本代码变得更加易读和方便使用，并且支持2D的图像和一些除nii格式的图像分割任务。论文-nnUnet。接下来讲解自己在window10上面配置NNunet 并执行官方数据训练的过程，推演后续在写。
使用windows配置nnUNetV2的项目环境
qq_43449643的博客
09-29 668
7.转换数据集格式，因为下载的数据集是按照nnUNetV1进行设置的，所以需要进行转换，使用命令行：nnUNetv2_convert_MSD_dataset -i 数据集的绝对路径 -overwrite_id 0X ,注意最后这个X的值取决于你的数据集是任务几，更改就可以。0：5折交叉验证中所选的折数，在[0,1,2,3,4]范围内选择，有的博主说5代表5折，我看了代码以后不那么认为，选5也可以运行，但是不是5折交叉验证，nnUNet会以4：1的比例随机选择训练集和验证集。
yolov8训练自己的数据集WINDOW
09-12
对于YOLOv8模型来说，训练自己的数据集WINDOW的具体步骤如下： 1. 首先，需要搭建环境。可以按照给出的环境搭建步骤进行操作。在搭建好环境之后，可以进入环境并切换到YOLOv8的目录。 2. 接下来是进行推理。可以使用以下命令进行推理操作： ```shell conda activate yolov8 cd ultralytics yolo mode=predict model="./xx/yolov8n.pt" source="./ultralytics/assets/bus.jpg" save show ``` 这个命令中，`model`参数指定了模型的路径，`source`参数指定了待检测的图像路径，`save`参数表示保存检测结果，`show`参数表示展示检测结果。 3. 创建数据集。YOLOv8的数据集格式与YOLOv5相同，可以直接按照YOLOv5的格式放置数据集文件。需要准备两个文件夹：一个是包含.jpg图像文件的文件夹，另一个是包含对应标签的.txt文件的文件夹。然后根据你的数据集路径，在配置文件中修改数据集路径和标签。 4. 修改配置文件。可以复制一份.yaml文件，并根据你自己的路径和标签进行相应的修改。可以修改的内容包括数据集路径、模型路径、标签等。 5. 修改类别个数。在配置文件中，根据你自己的数据集类别个数，修改`nc`参数。 6. 执行训练命令。可以使用以下命令进行训练： ```shell yolo task=detect mode=train model=yolov8n.pt data=./ultralytics/datasets/test1.yaml ``` 这个命令中，`task`参数指定了任务类型为检测，`mode`参数指定了训练模式，`model`参数指定了模型的路径，`data`参数指定了数据集的配置文件路径。 总结来说，训练YOLOv8模型来处理自己的数据集WINDOW，需要搭建环境、进行推理、创建数据集、修改配置文件、修改类别个数，并执行训练命令。希望这些步骤能够帮助到你。
评论 32
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值