nnUNetv2训练流程——环境配置、数据集构建、数据处理、训练_nnunetv2处理自己的数据

nnUNetv2训练流程——环境配置、数据集构建、数据处理、训练、推理

概要
整体流程说明
  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
  数据推理
注意点

概要

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、数据推理

整体流程说明

1.环境配置

①可以使用以前的conda环境，也可新建仅用于nnunet的新环境

conda create -n your_env_name python=x.x
1

②安装nnUNetv2

用作标准化基线、开箱即用的分割算法或使用预训练模型运行推理:

pip install nnunetv2
1

用作集成框架（这将在您的计算机上创建 nnU-Net 代码的副本，以便您可以根据需要进行修改）：

git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e .
1
2
3

③安装隐藏层，hiddenlayer 使 nnU-net 能够生成 它生成的网络拓扑图，非必要安装

pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git
1

2.数据集文件结构构建

①新建文件夹DATASET

②进入DATASET，新建三个文件夹nnUNet_preprocessed、nnUNet_raw、nnUNet_results
③环境变量配置
nnU-Net 需要一些环境变量，以便它可以知道原始数据、预处理数据和训练数据的位置。根据操作系统的不同，这些环境变量需要以不同的方式进行设置（本文操作系统Linux & MacOS）。

找到并进入.bashrc文件，并进入编辑模式

vim .bashrc
1

在文件底部添加数据集文件路径

export nnUNet_raw="/media/fabian/nnUNet_raw"  #nnUNet_raw文件路径
export nnUNet_preprocessed="/media/fabian/nnUNet_preprocessed"#nnUNet_preprocessed文件路径
export nnUNet_results="/media/fabian/nnUNet_results"  #nnUNet_results文件路径
1
2
3

保存并退出
最后更新文件

source .bashrc
1

说明：上述环境变量配置方法属于永久配置，若临时配置，只需在运行nnunet时，执行添加数据集文件路径的命令即可

3.数据集格式化

nnUNet_raw文件夹存放不同分割任务的文件夹，对应不同数据集

①数据集文件夹格式：

数据集Dataset001_BrainTumour中存放的是训练集（imagesTr）、训练集标注(labelsTr)、测试集（imagesTs）、dataset.json文件（包含数据集Dataset001_BrainTumour的元数据）

②训练数据存放格式（imagesTr）：
imagesTr的文件结构是img_XXX_XXXX.nii.gz
XXX：数据序号(与labelsTr中的序号对应) XXXX：数据的通道
如CT数据，单一通道，则所有数据都是0000

③测试数据文件格式同训练数据(imagesTs)
④训练集标注存放格式(labelsTr)：
img_XXX.nii.gz
XXX：数据序号（与imagesTr中的序号对应），见②中的图片。
④dataset.json文件：包含 nnU-Net 训练所需的元数据。

{ 
 "channel_names": {  # formerly modalities
   "0": "T2", 
   "1": "ADC"
 }, 
 "labels": {  
   "background": 0,
   "PZ": 1,
   "TZ": 2
 }, 
 "numTraining": 32, 
 "file_ending": ".nii.gz"
 "overwrite_image_reader_writer": "SimpleITKIO"  # optional! If not provided nnU-Net will automatically determine the ReaderWriter
 }
1
2
3
4
5
6
7
8
9
10
11
12
13
14

4.数据预处理

nnUNetv2_plan_and_preprocess -h #查看帮助
nnUNetv2_plan_and_preprocess -d 001 --verify_dataset_integrity
1
2

• 001：数据集ID，对应Dataset001_BrainTumour
• 数据处理好后会放在nnUNet_preprocessed/Dataset001_BrainTumour 下

5.模型训练

nnUNetv2_train DATASET_NAME_OR_ID UNET_CONFIGURATION FOLD #[其他选项，参见 -h]
1

• DATASET_NAME_OR_ID：数据集ID
• UNET_CONFIGURATION：选择训练网络（2d、3d_fullres、3d_lowres、3d_cascade_fullres）
• FOLD ：指定要训练的 5 折交叉验证中的哪一个折数，0-4表示单个折数，all和5表示5折一起训练

eg: nnUNetv2_train 001 3d_fullres 1 #(表示使用001这个数据集，模型用3d_fullres，训练第一折)
1

还可指定不同GPU训练五折交叉验证中的不同折

CUDA_VISIBLE_DEVICES=0 nnUNetv2_train 001 2d 0  # 在GPU0上训练第0折
CUDA_VISIBLE_DEVICES=1 nnUNetv2_train 001 2d 1  # 在GPU1上训练第1折
CUDA_VISIBLE_DEVICES=2 nnUNetv2_train 001 2d 2  # 在GPU2上训练第2折
1
2
3

6.模型推理

推理命令

nnUNetv2_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -d DATASET_NAME_OR_ID -c CONFIGURATION --save_probabilities
# nnUNetv2_predict -h 查看更多参数解析
1
2

• INPUT_FOLDER：测试数据地址
• OUTPUT_FOLDER：分割结果存放地址
• DATASET_NAME_OR_ID：数据集ID
• CONFIGURATION：使用的什么架构，2d or 3d_fullres or 3d_cascade_fullres等，这里训练用的什么就写什么
• save_probabilities：将预测概率与需要大量磁盘空间的预测分段掩码一起保存。
  默认情况下，推理将通过交叉验证的所有 5 个折叠作为一个整体来完成（根据5个模型得到一个结果）。我们强烈建议您使用全部 5 折。因此，在运行推理之前必须训练所有 5 个折叠。
  要想每个模型分开得到结果，就加参数-f all，或者只为某一折出结果，就加参数-f 2(得到 fold 2 的结果)
  举例得到fold2的结果

 nnUNetv2_predict -i ${nnUNet_raw}/Dataset002_xijunxing/imagesTs -o output -d 002 -c 3d_lowres -f 2
# ${nnUNet_raw} 之前设置的环境变量，nnUNet_raw的地址，不会这种方法，可以直接把文件夹的绝对路径写出来
1
2

注意点说明

1.如果想把数据集文件创建在nnUNet代码文件夹中，一定要完成环境配置之后进行，否则在环境配置中使用 pip install -e . 时会报错。

2.nnUNetv2和torch版本问题
问题描述：当执行训练命令后，出现下图错误：NVIDIA驱动版本太老。

问题分析：博主服务器支持cuda<=11.7。实际不是cuda版本太老，而是torch和cuda版本不对应的问题。
查找并安装对应的torch：torch和cuda版本对应关系
cuda11.7支持torch版本是2.0.1。卸载原来的torch，重新安装后，训练正常。

另外：在安装新版本torch的时候，报错如下，但未影响安装。博主安装了nnUNetv2的版本是2.4，需要torch>=2.1，但使用2.0也正常训练了模型。

温馨提示：若在2024.4.27日之后安装nnUNetv2且安装时未指定版本，默认安装的是最新版，最好使用torch>=2.1。也可指定版本安装，nnUNetv2<=2.3版本的，均支持torch2.0。