nnunet实战-全流程使用nnunet模型跑自己的数据集_nnunet跑自己的数据集

这个帖子仅用于学习使用，参考大佬的CSDN帖子。
nnU-Net 如何安装–傻瓜式安装教程
nnUNet实战一使用预训练nnUNet模型进行推理
不用写代码神器！教你用4行命令轻松使用nnUNet训练自己的医学图像分割模型
这篇文章介绍如何使用nnunet封装好的框架和命令跑自己的数据，不涉及后续代码的修改。

1 创建安装nnunet的环境

nnU-Net只在Linux上测试（ubuntu16、18和20；centOS, RHEL）

1.1使用AutoDL服务器 创建Ubuntu

（1）安装安装venv模块

该模块是标准Python 3库的一部分，以便我们可以创建虚拟环境（virtualenv）。
通过以下步骤安装：

1. 更新python版本

sudo apt update && sudo apt upgrade
1

2. 更新ubuntu版本

sudo apt upgrade python3
1

3. 安装venv

sudo apt install python3-venv
1

（2）创建虚拟环境存放目录

让我们选择要将Python编程环境放入哪个目录，建议将环境和大型数据都放到服务器的数据盘/root/autodl-tmp，否则后续系统盘会直接爆满无法继续运行程序。

1. 进入/root/autodl-tmp

cd /root/autodl-tmp
1

2. 创建一个新目录mkdir

mkdir environments
cd environments
1
2

3. 创建虚拟环境
   进入创建好的目录：/root/autodl-tmp/environments，就可以通过运行以下命令来创建环境：

python3 -m venv nnunet
1

nnunet是虚拟环境的名字

4. 激活环境
   这里激活要先切换到nnunet的上一级文件夹environments

cd ../
source nnunet/bin/activate
1
2

5. 退出该环境
   要离开环境，输入deactivate，回到原始目录。

deactivate
1

（3）安装nnunet

激活进入虚拟环境之后

pip install nnunet
1

安装好后可以查看下安装了的包

 pip list
1

（4）设置环境变量

这一步对于nnUNet来讲很重要，nnU-Net需要知道原始数据，预处理数据和训练好的的模型保存在何处。
必须设置一下三个环境变量：
在/root/autodl-tmp的路径下新建文件夹nnunet，在nnunet中再新建三个文件夹

nnUNet_raw/nnUNet_raw_data
nnUNet_preprocessed
nnUNet_trained_models
1
2
3

1. nnUNet_raw_data_base：原始文件存放地址。
   位于nnUNet_raw_data_base的文件夹必须至少具有子文件夹nnUNet_raw_data，该子文件夹又为每个任务包含一个子文件夹。用户需要将原始数据转换为一下格式：

nnUNet_raw_data_base="/root/autodl-tmp/nnunet/nnUNet_raw/nnUNet_raw_data"
1

2. nnUNet_preprocessed：这是将保存预处理数据的文件夹。训练期间还将从此文件夹中读取数据。因此，重要的是将其放置在访问延迟低且吞吐量高的驱动器上（常规sata或nvme SSD足够）

nnUNet_preprocessed="/root/autodl-tmp/nnunet/nnUNet_preprocessed"
1

3. RESULTS_FOLDER：这指定nnU-Net将在其中保存模型权重的位置。如果下载了预训练的模型，则将在此处保存它们。

RESULTS_FOLDER="/root/autodl-tmp/nnunet/nnUNet_trained_models"
1

如何设置环境变量
是在主目录中的.bashrc文件中设置路径

1. 回到主目录
2. 因为该目录隐藏可能看不到，运行ls -al以确保看到它，
   在极少数情况下，它可能不存在，您可以使用创建它 touch /.bashrc

cd ~
ls
ls -al
1
2
3

3. 直接在终端修改/.bashrc，将以下行添加到底部：

nnUNet_raw_data_base="/root/autodl-tmp/nnunet/nnUNet_raw/nnUNet_raw_data"
nnUNet_preprocessed="/root/autodl-tmp/nnunet/nnUNet_preprocessed"
RESULTS_FOLDER="/root/autodl-tmp/nnunet/nnUNet_trained_models"
1
2
3

修改方法：

• vim ~/.bashrc 进入到文件；
• 直接按 i 键可以对文件进行修改， Esc + ：+ wq 退出并保存修改之后的文件
• 命令 ：source ~/.bashrc 更新 .bashrc

设置成功！
通过输入echo $RESULTS_FOLDER来验证路径设置正确，并且应该打印出正确的文件夹。

输入：echo $RESULTS_FOLDER
输出：/root/autodl-tmp/nnunet/nnUNet_trained_models
1
2

2 数据集格式转换

2.1 nnU-Net支持的数据格式

nnU-Net的所有数据集都存放在nnUNet_raw_data_base/nnUNet_raw_data 文件夹（nnUNet_raw_data_base安装nnU-Net时指定了该文件夹的地址！）。

nnUNet_raw_data_base="/root/autodl-tmp/nnunet/nnUNet_raw/nnUNet_raw_data"
1

每个数据集都存储为单独的“Task”。统一命名为( “Task”“ID”_“任务名称”)， “ID”是三位数的整, 任务名称（您可以自由选择. 比如Task005_Prostate以’Prostate’作为任务名称任务ID为5。像这样存储在nnUNet_raw_data_base / nnUNet_raw_data文件夹中。
因为后续要进行格式转换，所以我的数据一开始命名为：

Task05_lacrima_sac
1

在每一个Task文件夹里，又包含以下文件夹：

Task05_lacrima_sac/
imagesTr:训练图像
imagesTs（可选）:测试图像
labelTr:训练集标签。
dataset.json:包含数据集的元数据， 如任务名字，模态，标签含义，训练集包含的图像地址
1
2
3
4
5

imagesTr和labelTr中的图像名称有要求：
图像和标签是相同的名字。所有图像（包括标签）必须是3D nifti文件（.nii.gz）！
图像和标签统一命名格式：

lacrimal_01.nii.gz
lacrimal_02.nii.gz
....
1
2
3

注意：
保证自己的label中的值和json文件中写的一致！

"modality":
{
"0":background
"1":lacrima_sac
}
确保自己label的值由[0,1]构成 ！
1
2
3
4
5
6

详细的json文件看之前在服务器跑的例子

dataset.json:

2.2 转换数据

具体步骤：
step1 ：激活nnUNet
step2: 使用nnUNet_convert_decathlon_task命令自动转格式

nnUNet_convert_decathlon_task -i $nnUNet_raw_data_base/nnUNet_raw_data/Task05_lacrima_sac
1

-i 后面 接 Task05_lacrima_sac（原始数据）存放地址

转换成功后，Task05_lacrima_sac 会重新命名为Task005_lacrima_sac

3 用自己的数据训练模型

3.1 一行命令数据预处理

使用命令： nnUNet_plan_and_preprocess

nnUNet_plan_and_preprocess -t XXX --verify_dataset_integrity
1

作用： 它会自动读取 数据集的属性，例如图像大小、体素间距、强度信息等。并转换成模型需要的格式。

XXX是与任务名称相关联的整数标识符TaskXXX_MYTASK（如005， 就写5）。

nnUNet_plan_and_preprocess -t 5 --verify_dataset_integrity
1

–verify_dataset_integrity 对数据集执行一些检查以确保它与 nnU-Net 兼容。如果此检查已通过一次，则可以在以后的运行中省略。
目前遇到的问题：

• 真实label标签与json文件中的标签不匹配（需要检查真实label中的标签的数值，有几个标签，标签的值为几，json文件中的标签必须是连续的：可以为[0,1,2]，但不可以[0,2] ）
• 这个过程会占大量的内存，确保内存充足

nnUNet_plan_and_preprocess完成后，结果保存在文件夹nnUNet_preprocessed /Task05_lacrima_sac

3.2 一行命令数据预处理

使用命令 nnUNet_train
该命令参数很多，可以使用nnUNet_train -h查看参数的含义
该命令的一般结构为：

nnUNet_train CONFIGURATION TRAINER_CLASS_NAME TASK_NAME_OR_ID FOLD (additional options)
1

• CONFIGURATION： 模型架构，三种Unet: 2D U-Net, 3D U-Net and a U-Net Cascade(U-Net级联)。
• TRAINER_CLASS_NAME： 使用的model trainer. 默认为nnUNetTrainerV2就可以
• TASK_NAME_OR_ID： 任务全名TaskXXX_MYTASK或者是ID号
• FOLD： 第几折交叉验证，可选 [0, 1, 2, 3, 4]，一共五折。

使用：3D full resolution U-Net 训练5折

nnUNet_train 3d_fullres nnUNetTrainerV2 Task05_lacrima_sac 4
1

训练过程中，终端会输出以下信息：大致包括使用的模型，数据信息，损失函数，网络架构，每个epoch的输出。
将训练好的模型写入 RESULTS_FOLDER/nnUNet 文件夹。每次训练都会获得一个自动生成的输出文件夹名称：

nnUNet_preprocessed/CONFIGURATION/TaskXXX_MYTASKNAME/TRAINER_CLASS_NAME__PLANS_FILE_NAME/FOLD
1

文件树大致如下：

每一折里面，又有图上红框所示内容。大致包括

• debug.json：包含用于训练此模型的蓝图和推断参数的摘要。不容易阅读，但对调试非常有用;-)
• model_best.model / model_best.model.pkl：训练期间确定的最佳模型的检查点文件。暂时没用。
• 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内容。
• progress.png：训练过程中的训练（蓝色）和验证（红色）损失图。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。
  在训练期间，观察进度通常很有用。因此，我们随时可以查看 progress.png。它将在每个epoch后进行更新。

3.3 一行命令进行预测

训练完成后，我们当然要看看在测试集上的表现啦。
使用命令 nnUNet_predict

nnUNet_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -t TASK_NAME_OR_ID -m CONFIGURATION
1

INPUT_FOLDER: 测试数据地址
OUTPUT_FOLDER： 分割数据存放地址
CONFIGURATION： 使用的什么架构，2d or 3d_fullres or 3d_cascade_fullres等

nnUNet_predict -i /root/autodl-tmp/nnunet/nnUNet_raw/nnUNet_raw_data/imagesTs -o /root/autodl-tmp/nnunet/output -t 005 -m 3d_fullres -f 4
1

总结：目前只是成功的将自己的数据集放到nnunet中跑，对于一些参数的调整和预测的Dice得分的设定，后续会继续总结，我要先去写Review了，下期再见！