nnUNetv2实操记录

说明

1.本篇博客的操作在WSL（Ubuntu20.04）上进行。
2.注意nnUNetv2的数据集文件夹设置，以及后续使用的命令均与nnUNet不同

一、环境的创建

我这里没有用conda环境，而是通过安装venv模块创建的虚拟环境。

sudo apt-get install -y python3-venv

安装好了后，创建虚拟环境

mkdir environments
cd environments
python3 -m venv nnunet

激活环境

source nnunet/bin/activate

二、安装nnUNetv2

参考链接，具体按步骤执行.

三、创建数据集目录

第一步：在nnUNet文件夹中创建一个名为DATASET的文件夹
第二步：在DATASET文件夹中创建三个文件夹，
nnUNet_raw，
nnUNet_preprocessed，
nnUNet_trained_models
第三步：进入这个网站，下载公共数据集（建议科学上网），到随便一个目录。我下载的Task02_Heart，解压放在/home/bai/Task02_Heart目录，待命。

四、设置nnUNet读取文件的路径

也是所谓的设置环境变量，我直接找到nnUNetv2
文件下的path.py种修改保存。
[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-4LhGoyDB-1692530073045)(image.png)]

# nnUNet_raw = os.environ.get('nnUNet_raw')
# 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。

参考资料

https://blog.csdn.net/m0_68239345/article/details/128886376 这篇比较详尽但是是基于nnUNet。