nnUnet使用

最新推荐文章于 2024-05-07 22:34:52 发布
最新推荐文章于 2024-05-07 22:34:52 发布
阅读量781 收藏 9
点赞数 5
文章标签： python 深度学习 开发语言
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/qq_62798397/article/details/128736455
版权
本文详细介绍了如何使用PaddleSeg的MedicalSeg组件进行nnUnet的训练和验证，包括2D-UNet、3D-UNet和CascadeUNet的5折训练与验证过程，以及模型的Ensemble和静态图导出。整个流程涵盖了数据准备、依赖安装、模型训练、验证、预测和部署等关键步骤。
摘要由CSDN通过智能技术生成

nnUnet使用

MedicalSeg/nnUnet组件介绍

  1. 组件结构

在这里插入图片描述

  1. 使用流程

      1. 准备工作：
      #1.1获取PaddleSeg组件
#cd ~表示进入用户主目录
%cd ~/
!git clone https://gitee.com/PaddlePaddle/PaddleSeg.git
!git pull
%cd ~/PaddleSeg/
!git checkout develop

      %cd ~/进入用户根目录，该指令不论当前工作目录是什么，均会返回根目录

      %cd ~/data/进入根目录下的data目录

      %cd data进入当前文件夹下的data目录，注意与~/data区别

      %cd …/返回上一根目录

      #1.2解压数据集
%cd ~/
!mkdir ~/PaddleSeg/contrib/MedicalSeg/msd_lung
!tar -xf ~/data/data125872/Task06_Lung.tar -C ~/PaddleSeg/contrib/MedicalSeg/msd_lung

      #1.3安装依赖
%cd ~/PaddleSeg/contrib/MedicalSeg
!pip install -r requirements.txt
!pip install medpy

      #1.4(可选)解压2D-UNet和Cascade UNet-lowres训练好的权重
%cd ~/
!mkdir ~/PaddleSeg/contrib/MedicalSeg/output
!unzip -oq ~/data/data169512/2d_and_cascade_lowres.zip -d ~/PaddleSeg/contrib/MedicalSeg/output/
      1. 开始训练
      # 2D-UNet 训练————5折训练
%cd ~/PaddleSeg/contrib/MedicalSeg/
!python train.py --config configs/nnunet/msd_lung/nnunet_2d_msd_lung_fold0.yml --log_iters 20 --precision fp16 --nnunet --save_dir output/2d_unet/fold0 --save_interval 1000 --use_vdl
'''
修改fold1/2/3/4分别训练即可
考虑到内存问题，可增大save_interval
--precison fp16表示Use AMP (Auto mixed precision)自动混合精度训练
'''

      # 3D-UNet训练
%cd ~/PaddleSeg/contrib/MedicalSeg/
!python train.py --config configs/nnunet/msd_lung/nnunet_3d_fullres_msd_lung_fold0.yml --log_iters 20 --precision fp16 --nnunet --save_dir output/3d_unet/fold0 --save_interval 1000 --use_vdl
'''
同样分别修改fold1/2/3/4进行5折训练
'''

      train.py的可设置参数，具体查看train.py脚本

      —— log_iters记录训练的loss、cost等参数的轮数

      —— use_vdl记录训练参数，结束后可用于可视化

      —— resume_model=‘path’中断训练和恢复重新训练

      —— save_interval保存训练模型的轮数

      1. 验证——由于分为5折训练，故验证时5个模型分别在各自验证集验证，之后整合验证，即6次验证
      # 2D UNet验证-提供权重
%cd ~/PaddleSeg/contrib/MedicalSeg/
!python nnunet/single_fold_eval.py --config configs/nnunet/msd_lung/nnunet_2d_msd_lung_fold0.yml --model_path output/2d_unet/fold0/iter_30000/model.pdparams --val_save_folder output/2d_val --precision fp16
'''
single_fold_eval需进行5次
'''
!python nnunet/all_folds_eval.py --gt_dir output/2d_val/gt_niftis --val_pred_dir output/2d_val

      # 3D UNet 验证
%cd ~/PaddleSeg/contrib/MedicalSeg/
!python nnunet/single_fold_eval.py --config configs/nnunet/msd_lung/nnunet_3d_fullres_msd_lung_fold0.yml --model_path output/3d_unet/fold0/iter_30000/model.pdparams --val_save_folder output/3dfullres_val --precision fp16
'''
single_fold_eval需进行5次
'''
!python nnunet/all_folds_eval.py --gt_dir output/3dfullres_val/gt_niftis --val_pred_dir output/3dfullres_val
      1. Cascade UNet训练、验证
      # Cascade UNet lowres 训练
%cd ~/PaddleSeg/contrib/MedicalSeg/

!python train.py --config configs/nnunet/msd_lung/nnunet_3dcascade_lowres_msd_lung_fold0.yml --log_iters 20 --precision fp16 --nnunet --save_dir output/cascade_lowres/fold0 --save_interval 1000 --use_vdl
'''
同样是5折训练
'''

      # Cascade UNet lowres验证，并进行推理，得到下一阶段的输入-提供权重
%cd ~/PaddleSeg/contrib/MedicalSeg/

!python nnunet/single_fold_eval.py --config configs/nnunet/msd_lung/nnunet_3dcascade_lowres_msd_lung_fold0.yml --model_path output/cascade_lowres/fold0/iter_30000/model.pdparams --val_save_folder output/cascade_lowres_val --precision fp16 --
'''5折预测'''
!python nnunet/all_folds_eval.py --gt_dir output/cascade_lowres_val/gt_niftis --val_pred_dir output/cascade_lowres_val

      cascade unet二阶段一定会涨点吗？
      不一定！二阶段数据处理将数据的体素间距统一成数据集中最小的体素间距，最小的体素间距并不一定是最优的，一阶段可能效果比二阶段好，这个需要选手自己尝试。

      # Cascade UNet fullres 训练
%cd ~/PaddleSeg/contrib/MedicalSeg/

!python train.py --config configs/nnunet/msd_lung/nnunet_3dcascade_fullres_msd_lung_fold0.yml --log_iters 20 --precision fp16 --nnunet --save_dir output/cascade_fullres/fold0 --save_interval 1000 --use_vdl
'''5折训练'''
1
2
3
4

      # Cascade UNet fullres 验证
%cd ~/PaddleSeg/contrib/MedicalSeg/

!python nnunet/single_fold_eval.py --config configs/nnunet/msd_lung/nnunet_3dcascade_fullres_msd_lung_fold0.yml --model_path output/cascade_fullres/fold0/iter_30000/model.pdparams --val_save_folder output/cascade_fullres_val --precision fp16
'''5折预测完成后，需要整合'''
!python nnunet/all_folds_eval.py --gt_dir output/cascade_fullres_val/gt_niftis --val_pred_dir output/cascade_fullres_val
      1. Ensemble整合模型
      • def：nnUNet最后会评以下7个策略的精度，挑选精度最高的提交
      • 2D-UNet
        3D-UNet
        Cascade-UNet-lowres
        Cascade-UNet-fullres
        2D-UNet + 3D-UNet
        2D-UNet + Cascade-UNet-fullres
        3D-UNet + Cascade-UNet-fullres
      %cd ~/PaddleSeg/contrib/MedicalSeg/
#注意修改路径
!python nnunet/ensemble.py --ensemble_folds \
output/3dfullres_val\
output/cascade_lowres_val\
output/2d_val \
--gt_dir output/cascade_lowres_val/gt_niftis \
--plan_path msd_lung/preprocessed/Task006_Lung/nnUNetPlansv2.1_plans_2D.pkl \
--output_folder output/ensemble

  1. 训练完成后

    • 预测——预测的结果同样支持模型间Ensemble。如果预测的结果需要Ensemble，加上**–save_npz参数**。
      比如想要：2D-UNet + 3D-UNet 的预测，就分别得到2个模型的预测结果，使用上述Ensemble命令集成。

      #2D预测
%cd ~/PaddleSeg/contrib/MedicalSeg/
!python nnunet/predict.py --image_folder msd_lung/Task006_Lung/imagesTs\
--output_folder output/nnunet_predict/2d_unet \
--plan_path msd_lung/preprocessed/Task006_Lung/nnUNetPlansv2.1_plans_2D.pkl \
--model_paths output/2d_unet/fold0/iter_30000/model.pdparams output/2d_unet/fold1/iter_30000/model.pdparams output/2d_unet/fold2/iter_30000/model.pdparams output/2d_unet/fold3/iter_30000/model.pdparams output/2d_unet/fold4/iter_30000/model.pdparams \
--postprocessing_json_path output/2d_val/postprocessing.json \
--model_type 2d \
--save_npz

      # 3D UNet 预测
%cd ~/PaddleSeg/contrib/MedicalSeg/
!python nnunet/predict.py --image_folder msd_lung/Task006_Lung/imagesTs\
--output_folder output/nnunet_predict/3d_unet \
--plan_path msd_lung/preprocessed/Task006_Lung/nnUNetPlansv2.1_plans_3D.pkl \
--model_paths output/3d_unet/fold0/iter_30000/model.pdparams output/3d_unet/fold1/iter_30000/model.pdparams output/3d_unet/fold2/iter_30000/model.pdparams output/3d_unet/fold3/iter_30000/model.pdparams output/3d_unet/fold4/iter_30000/model.pdparams \
--postprocessing_json_path output/3d_unet/postprocessing.json \
--model_type 3d \
--save_npz

      # Cascade UNet 预测，先使用lowres预测，在fullres预测
%cd ~/PaddleSeg/contrib/MedicalSeg/

!python nnunet/predict.py--image_folder msd_lung/Task006_Lung/imagesTs\
--output_folder output/nnunet_predict/lowres_pred \
--plan_path msd_lung/preprocessed/Task006_Lung/nnUNetPlansv2.1_plans_3D.pkl \
--model_paths output/cascade_lowres/fold0/iter_30000/model.pdparams output/cascade_lowres/fold1/iter_30000/model.pdparams output/cascade_lowres/fold2/iter_30000/model.pdparams output/cascade_lowres/fold3/iter_30000/model.pdparams output/cascade_lowres/fold4/iter_30000/model.pdparams \
--postprocessing_json_path output/cascade_lowres_val/postprocessing.json \
--model_type cascade_lowres

#使用2阶段
!python nnunet/predict.py --image_folder msd_lung/Task006_Lung/imagesTs\
--output_folder output/nnunet_predict/fullres_pred \
--plan_path msd_lung/preprocessed/Task006_Lung/nnUNetPlansv2.1_plans_3D.pkl \
--model_paths output/cascade_fullres/fold0/iter_30000/model.pdparams output/cascade_fullres/fold1/iter_30000/model.pdparams output/cascade_fullres/fold2/iter_30000/model.pdparams output/cascade_fullres/fold3/iter_30000/model.pdparams output/cascade_fullres/fold4/iter_30000/model.pdparams \
--postprocessing_json_path output/cascade_lowres_val/postprocessing.json\
--model_type cascade_fullres \
--save_npz \
--lowres_segmentations output/nnunet_predict/lowres_pred

部署

  1. 仅以2D UNet为示例，演示模型的部署过程。

    • 导出静态图模型（五折训练对应五个模型）；

    • 静态图推理（五折训练就对应五折推理）。
      PS：静态图推理的模型也支持Ensemble，需要在推理时加上–save_npz参数，Ensemble命令和5一致。

      # 静态图导出
%cd ~/PaddleSeg/contrib/MedicalSeg/
'''导出5个模型'''
!python nnunet/export.py --config configs/nnunet/msd_lung/nnunet_2d_msd_lung_fold0.yml \
--save_dir output/static/2d_unet/fold0 \
--model_path output/2d_unet/fold0/iter_30000/model.pdparams
#fold1 2 3 4

      # 静态图多折推理
%cd ~/PaddleSeg/contrib/MedicalSeg/

!python nnunet/infer.py --image_folder msd_lung/Task006_Lung/imagesTs \
--output_folder output/nnunet_static/2d_unet \
--plan_path msd_lung/preprocessed/Task006_Lung/nnUNetPlansv2.1_plans_2D.pkl \
--model_paths output/static/2d_unet/fold0/model.pdmodel output/static/2d_unet/fold1/model.pdmodel output/static/2d_unet/fold2/model.pdmodel output/static/2d_unet/fold3/model.pdmodel output/static/2d_unet/fold4/model.pdmodel \
--param_paths output/static/2d_unet/fold0/model.pdiparams output/static/2d_unet/fold1/model.pdiparams output/static/2d_unet/fold2/model.pdiparams output/static/2d_unet/fold3/model.pdiparams output/static/2d_unet/fold4/model.pdiparams \
--postprocessing_json_path output/2d_unet_val/postprocessing.json \
--model_type 2d \
--disable_postprocessing  \
--save_npz
半坡之神饶了我吧
关注
  • 5
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
nnunet-pytorch转onnx
06-13
nnunet-pytorch转onnx格式相应代码实现
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。
最全nnUNet保姆级使用教程！从环境配置到训练与推理（新手必看），2024年最新字节跳动厂内部超高质量大数据+Kotlin笔记
最新发布
kenzsoft的博客
05-07 2005
进入右边文件夹nnUNet_raw_data，创建一个名为Task01_BrainTumour的文件夹（解释：这个Task01_BrainTumour是nnUNet的作者参加的一个十项全能竞赛的子任务名，也是我要实践的分割任务，类似的还有Task02_Heart，就是分割心脏的。这个文件包含你的训练数据信息和任务信息，如果你按照我的建议下载了Task01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，在我的另一篇博客里会有详细的说明。
UNet 系列：做医学图像分割的任何人，都必须要会使用 nnU-Net
Debroon
08-02 2599
在这个时候，如果我们还有一张低分辨率的图片，虽然它的细节不够，但可以快速看到图上大概有哪些行星，那么小学生就可以用低分辨率的图片找到大概的位置，然后用高分辨率的图片去精确地找到行星和识别行星。因为在网络的深层中，网络可能已经失去了原始的信息，这时候如果有跳跃连接直接跳回到浅层获取原始的信息，网络就能更好的综合考虑全局和局部的信息，做出更准确的预测。当你在后面的步骤中遇到困难的时候，往往需要回头去查看前面的步骤，这时候如果你能直接回到具体的步骤，看到原始的解题思路，那你会更快的找出问题，并完成作业。
医学图像分割 3D nnUNet全流程快速实现
weixin_40640335的博客
12-05 8901
提供本人实现3D nnUNet全流程处理的相关代码及基本步骤。
【论文笔记 医疗影像分割—nnUNet】nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
qq_43527713的博客
11-09 8150
文章目录1.Abstract 说明：本文是对原版论文和一位大神解读的基础上，加以自己的理解而作，如有错误，欢迎指正。大神的文章链接 1.Abstract '对于深度学习模型来说，当用在一个新的问题上，就需要对可变设置人为设定。对新问题的适应包括精确架构、预训练、训练、推理对个自由度，这些选择对整体性能有很大的影响。 本文提出nnU-Net（no-new-net）????，是一种基于三个模型：2D U-Net, 3D U-Net 和U-Net Cascade（级联的3D U-net，之后会有介绍）上的自适应框
nnUNet保姆级使用教程！从环境配置到训练与推理（新手必看）
热门推荐
m0_68239345的博客
02-04 4万+
本人初步接触深度学习与医学图像分割领域，第一个项目就是运用nnUNet网络对BrainTumour的数据集进行分割，在学习的过程中，学了很多资料，踩了很多坑，也解决了很多bug，在此把自己的学习经验分享出来，希望有需要的同学可以少走一些弯路。 文章非常详细，对新手也很友好，欢迎大家一起学习分享。
nnUnet_windows.rar
12-14
总的来说，nnUnet_windows.rar的出现，简化了nnUnet在Windows平台上的部署过程，使得更多的非Linux用户能够参与到nnUnet的使用和开发中来，推动了医学图像分析技术在更广泛群体中的应用。对于那些希望在Windows系统...
nnUnet 语义分割源码
07-14
5. **动态池化和上采样**：nnUnet使用了不同的池化和上采样策略，如最近邻上采样，以保持空间信息的完整性。 源码分析： nnUnet的源码通常包含以下几个主要部分： 1. **数据预处理**：这部分代码负责将原始的3D医学...
nnUnet和nnDet的使用教程
08-23
nnUNet和nnDet的安装教程和使用教程； 数据的存放方式。
nnunet plan.pkl修改
12-31
1. **加载pkl文件**：首先，我们需要导入nnunet的配置模块，然后使用`load_plans`函数读取`plans.pkl`文件。 ```python import nnunet.configuration plans_dict = nnunet.configuration.load_plans('path_to_plans....
Unet3D分割模型——pytorch
未来不再遥远
05-20 1万+
from torch import nn class pub(nn.Module): def __init__(self, in_channels, out_channels, batch_norm=True): super(pub, self).__init__() inter_channels = in_channels/2 if in_chann...
nnunet(三) common questions
fanre的专栏
04-01 2052
https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/common_questions.md Where can I find the segmentation metrics of my experiments? 训练完成后，每个fold的验证集结果存储在各自的输出文件夹中。如：${RESULTS_FOLDER}/nnUNet/3d_fullres/Task003_Liver/nnUNetTrainerV2__nnUNetPlansv
nnUNet使用教程
weixin_54688533的博客
02-04 2336
用于记录我学习nnUNet过程中遇到的问题和进展
nnUNet使用教程（使用自己的数据训练自己的模型）
qq_40962125的博客
11-25 2万+
1.制作自己的数据集（使用自己的数据训练自己的模型） 本文主要讲述了自己训练模型的复现，更多的关注在nnunet的具体使用，跟着文章一步一步的操作得到可以实际应用的模型。
nnUNet实战(一)：CREMI挑战赛简单实践
qq_43264202的博客
07-19 2256
nnUNet实践
在Windows下用Pycharm实现nnUnet网络
hsjshmily的博客
04-03 6096
nnUnet的作者是Linux平台下实现的，Windows下实现需要一些别的步骤，翻阅了很多博文，踩了很多坑，终于用官方数据跑通了一遍。
nnUNet详细笔记教程（Linux下，只有实验没有原理）
m0_61789789的博客
03-24 2218
nnUNet网址：GitHub - MIC-DKFZ/nnUNet 本文使用所有nnUNet代码均来源于以上网址。 一、配置虚拟环境 本人使用anaconda配置虚拟环境，首先是在Linux终端打开conda。输入如下指令，打开conda，其中路径PATH是anaconda中bin文件夹的路径。另外，本人使用Linux复制路径的方法为在目标文件夹下打开终端，输入pwd回车后即可得到当前文件夹路径，直接复制即可。 export PATH=/home/anaonda3/bin:$P
【深度学习】医学图像分割的集成与后处理
李响
06-18 1651
【深度学习】医学图像分割的集成与后处理 文章目录 1 如何通过组合多个神经网络提高模型性能 1.1 使用融合模型减少模型的方差 2 tensorflow keras 实现模型平均 2.1 训练多种模型 2.2 融合模型 3 神经网络训练之交叉验证 4 训练和后处理 5 介绍一些免费/开源的医学影像后处理工具 1 如何通过组合多个神经网络提高模型性能 深度神经网络是非线性的。它们提供了更大的灵活性，并且理论上随着数据集的增多，其性能表现会越好。其缺点是通过随机训练算法进行学习，这意味着神经网络对训练
nnUNet保姆级使用教程
07-28
你好！对于nnUNet的使用教程，我可以为你提供一些基本的指导。nnUNet是一个用于医学图像分割的开源框架，旨在简化深度学习模型在医学图像上的训练和推理过程。 以下是一个简单的nnUNet使用教程的大纲： 1. 安装nnUNet：首先，你需要安装nnUNet框架。你可以在nnUNet的GitHub页面找到安装说明。 2. 数据准备：准备你的医学图像数据集。确保你的数据集包含正确的标签，并将其划分为训练集、验证集和测试集。 3. 数据预处理：nnUNet要求对数据进行预处理，包括将图像和标签裁剪为相同大小、进行数据增强等。你可以使用nnUNet提供的预处理脚本来完成这些操作。 4. 配置实验：创建一个配置文件来定义你的实验设置。在配置文件中，你需要指定数据路径、模型架构、训练参数等。 5. 训练模型：使用nnUNet提供的训练脚本开始训练模型。根据你的配置文件，nnUNet将自动加载数据并开始训练。 6. 模型评估：在训练完成后，你可以使用nnUNet提供的评估脚本评估模型在测试集上的性能。 7. 模型推理：使用已经训练好的模型进行推理。nnUNet提供了推理脚本，你可以使用它来对新的医学图像进行分割。 请注意，这只是一个简要的教程大纲。如果你需要更详细的教程或遇到特定问题，请参考nnUNet的文档或在相关论坛上寻求帮助。祝你成功使用nnUNet进行医学图像分割！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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