2024年最全nnU-Netv2在服务器上使用全流程（小白边踩坑边学习的记录），阿
https://img-blog.csdnimg.cn/img_convert/3e0b25813369dccfa231e542900bca98.pnghttps://img-blog.csdnimg.cn/img_convert/88af7f5bb457c507fc3c30949bdbe680.png
网上学习资料一大堆，但如果学到的知识不成体系，碰到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技能提拔。
必要这份系统化资料的朋友，可以戳这里获取
一个人可以走的很快，但一群人才能走的更远！岂论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技能交流、学习资源、职场吐槽、大厂内推、口试辅导），让我们一起学习发展！
https://img-blog.csdnimg.cn/5174fde6d7704066878a77b2af31651e.png
（服务器的terminal）直接输入nvidia-smi
https://img-blog.csdnimg.cn/b21729c69a504550b152fa7da372f225.png
步骤三：安装nnunetv2
git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e .
注意最后一行e背面另有一个点！
本身就会安装nnunetv2了！
https://img-blog.csdnimg.cn/916178ab249b40c6b1546730e6710fbb.png
一套流程后 pip list 内里有 nnunetv2 即完成（大概 pip show nnunetv2）
https://img-blog.csdnimg.cn/0f76ffd326754cf8aef53a35208a5d08.png
步骤四：开始设置文件结构（可以在本地提前预备好）
这部分还是和从前差不多
DATASET文件夹下方创建三个文件夹，分别为https://img-blog.csdnimg.cn/f1937d29e0d34db6831c89510158bfe3.png
nnUNet_raw存放初始的影像和mask文件nnUNet_preprocessed预处理后的中间文件存放地nnUNet_trained_models训练完成的模型、训练过程存放地 在nnUNet_raw文件夹下方在创立一个"DatsetXXX_NAME”
参考名：“Dataset101_Lung”
（数字编号是000-999的三位数字，最好大于200，因为比较小的数字已经被fabian的task id占用，以免在哪里莫名其妙冲突了）
https://img-blog.csdnimg.cn/9cdf409fbf5c4a2c84c09b5b8ad3ef2e.png
Dataset101_Lung下四个文件夹+一个json文件
imagesTrtrain训练集的医学影像（CT、MRI等）imagesTstest 检验集的医学影像（CT、MRI等）（optional）labelsTrtrain训练集的label涂层labelsTstest 训练集的label涂层（optional）dataset.json文件信息，详见步骤五 特别注意，取名原则如下：
images内里在.nii.gz前要加入0000（代表是模态0，若有其他模态的就依次0001，这个数字在json文件里要有体现，比如0模态是CT，1模态是MRI，详情请见步骤6），label是同名文件，但没有0000,0001
https://img-blog.csdnimg.cn/a918f1f3d84e4ae5b90916d9c3730661.png
差别于nnunet初代版本在nnUNet_raw内里不必要额外的 cropped
步骤五：数据集的转换与json文件
数据集转化这次没用上，就先不细说了，后续再增补
json文件相较nnunet初代版本改了很多多少。但考虑到其实写的比原先版本更简便了，可以以为是件好事情吧：
我一开始用了初代的json惨遭报错： https://img-blog.csdnimg.cn/eacfcd3ecfb54a3a929d1c1bd89a59ba.png
标准格式的文件如下：
https://img-blog.csdnimg.cn/0908462dd8bb410393b35c0a712b8113.png
nnunetV2给了相应的脚本：
可参考：nnU-Net v2的环境设置到训练本身的数据集（详细步骤）_小萝北hh的博客-CSDN博客
https://img-blog.csdnimg.cn/ef12855b5f814c659d5df25b97c67bc6.png
其中labels 0,1,2,3请务必对应好！全部mask文件上出现的数字都要有归属，目前nnunet尚不支持重合的mask（即差别mask之间有交集）。对文件里mask数字位置的，可以打开python去读文件大概，ITK-SNAP读一下：ITK-SNAP Home (itksnap.org)")
https://img-blog.csdnimg.cn/6f221a061a6842cdacbd049c3af71510.png
Label1是赤色，label2是绿色，则这层mask的矩阵，对应赤色区域位置是1，绿色的是2，其余（background）是0
（备注：ITK-SNAP，包罗python内里一些必要调用itk包，都是在路径中不能出现中笔墨，乃至“-”都不能出现，可以改用为“_”）
步骤六：修改环境变量（三个）
这一步即为重要，在服务器上面无法ctrl+H的打开.bashrc文件，一般的本地也必要修改环境变量，用这个方法应该也可以
必要用到vim
1、进入vim
vim ~/.zshrc
vim ~/.bashrc （在我的使用中是 vim ~/.zshrc
2、进入编辑模式
:a
（注意冒号！）
3、修改三个环境变量：
请一一对应好步骤四 上述文件格式里的三个文件夹
（可以点到这个文件夹的位置，然后右键弹开，点击“复制绝对路径”）
export nnUNet_preprocessed="/home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_preprocessed"
export nnUNet_results="/home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_trained_models"
export nnUNet_raw="/home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_raw"
4、退出编辑模式
按 Esc
5、退出 记得先按上一步的Esc
:wq
输入 :wq
（ ：不可忽略，保存退出）
输入 :q! （不保存退出）
6、退出后加载更新后的设置
source ~/.zshrc
source ~/.bashrc （我的是source ~/zshrc）
7、更新后重新激活之前设置的环境
conda activate your_env_name
conda activate nnunet
常见问题： 这个就是典范环境变量没配好，报错写的很明显了，写明了nnUNet_result变量不存在
潜在的问题：
[*]名字（可能在超算内里复制的路径前面还要加上 /home/xxxxx/）[一般来说，直接右键文件夹，然后复制绝对路径就没问题了]
[*]文件结构是否有问题，特别是raw的路径要是DATASET01_NAME1的上一层
[*]是否 source ~/.zshrc
（否则相称于没刷新）
https://img-blog.csdnimg.cn/cdb6c598ebbc44d2a9d8262833851616.png
步骤七：数据集预处理
nnUNetv2_plan_and_preprocess -d TASK-NUM --verify_dataset_integrity
TASK-NUM是之前写的数字编号
nnUNetv2_plan_and_preprocess -d 101 --verify_dataset_integrity
https://img-blog.csdnimg.cn/70c6d84d91304014a77b4a5caca70d75.png
常见报错：RAM爆了，我其时在报错回溯一个一个去查，在plan_preprocess_entrypoints.py里找到了可以修改的地方
https://img-blog.csdnimg.cn/490290f7e73546dd99e1ed7e52d15216.png
https://img-blog.csdnimg.cn/5c1316e69a5447c29bea2847c141bceb.png
default_np = {“2d”:8, “3d_fullres”: 4, “3d_lowres”: 8} 改成了2,2,2（还不可就1,1,1；再不可就提拔下换个设置吧。。。大概修改一下其他看上去能减少workers的地方）
减少这个np，能够让内存不会爆，但速度肯定会低，发起各人可以试试本身装备能够容纳的最大值
https://img-blog.csdnimg.cn/becf1c22a5ef44298c78399c45c2ce7c.png修改后内存就处于一个比较康健的状态了
步骤八：模型训练
我贪方便，直接下令行内里写，跑完一折再写下一次。固然也可以编写终端运行此 tst.sh 文件，使用 source下令执行脚本（待增补学习）
nnUNetv2_train TASK-NUM 2d FOLD
nnUNetv2_train 101 2d 0
nnUNetv2_train 101 2d 1
nnUNetv2_train 101 2d 2
nnUNetv2_train 101 2d 3
nnUNetv2_train 101 2d 4
# 其中101表现数据集ID，上述提及过。0表现第1折
2d指的是训练Unet中的2d模型，可以选择3d_fullres，3d_lowres
https://img-blog.csdnimg.cn/b8013df4c3964318bb7bd1e64864929a.png
开始训练了！Win！
nnUNet/nnunetv2/training/nnUNetTrainer/nnUNetTrainer.py路径下可以修改一些参数：
https://img-blog.csdnimg.cn/28a26913f6ab4fcebabbbe9e084668b5.png比如把epochs改为本身想要的数字，特别是刚开始拿到一个数据的时候，想先随便训练一下，节约时间跑个几十次就完全ok了
一些下令参数可以 在背面加上-h来查察
https://img-blog.csdnimg.cn/3dcd33dfb9924d058dddb671d8c68128.png
3. 在正常运行代码后碰到的问题：
Ctrl+C会停止实验，原来指令背面加--c可以接着运行，再也不担心跑了一整晚的东西白跑了！
4.结果查察，每一折训练完都可以看看训练的过程：
比如progress.png就记录了训练迭代次数loss等的变革趋势，实时调解
位置在nnUNet/nnUNetFrame/DATASET/nnUNet_results/Dataset101_Lung/nnUNetTrainer__nnUNetPlans__2d/fold_0/progress.png
其中nnUNetTrainer__nnUNetPlans__2d中fold0，1,2,3,4下都能看到一些训练过程的记录
https://img-blog.csdnimg.cn/a2e4972dbf0c42908659b0c8bb63b55b.png
差别于一般的迭代过程，nnunet训练没有early stop概念，Fabian本身在github上表明了
https://img-blog.csdnimg.cn/d921131608134276b83bbbc9b2b775a4.png
步骤九：模型推理
可参考：
nnUNet实战一使用预训练nnUNet模型进行推理_nnunet 推理_Tina姐的博客-CSDN博客
nnUnet v2项目学习记录，训练自定义模型（不是Unet） - 知乎 (zhihu.com)")
精细化修改 修改loss等
↑参考，可用于提前推理
nnUNetv2_find_best_configuration 101 -f 0 1 2 3 4 -c 2d
https://img-blog.csdnimg.cn/405758a2dd0e4a909c205dab77c5c749.png
https://img-blog.csdnimg.cn/4812a4141398454dada5a9e700e1bde8.png
步骤十：模型预测
新建一个文件夹用于储存预测的mask文件
-I 后跟着是必要预测mask的原影像文件， -o背面跟着label储存的位置
nUNetv2_predict -i原影像文件夹 -o 储存位置 -d TASK-NUM -c 2d
https://img-blog.csdnimg.cn/img_convert/6d18f0570ac5b072e9f6b872e1aa2113.png
https://img-blog.csdnimg.cn/img_convert/7bc5337e6e1f8b7960e69fa10178fca5.png
网上学习资料一大堆，但如果学到的知识不成体系，碰到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技能提拔。
必要这份系统化资料的朋友，可以戳这里获取
一个人可以走的很快，但一群人才能走的更远！岂论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技能交流、学习资源、职场吐槽、大厂内推、口试辅导），让我们一起学习发展！
-I 后跟着是必要预测mask的原影像文件， -o背面跟着label储存的位置
nUNetv2_predict -i原影像文件夹 -o 储存位置 -d TASK-NUM -c 2d
[外链图片转存中…(img-g9YTVihK-1715633093346)]
[外链图片转存中…(img-N7dHYhsk-1715633093346)]
网上学习资料一大堆，但如果学到的知识不成体系，碰到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技能提拔。
必要这份系统化资料的朋友，可以戳这里获取
一个人可以走的很快，但一群人才能走的更远！岂论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技能交流、学习资源、职场吐槽、大厂内推、口试辅导），让我们一起学习发展！
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]