nnU-Netv2在服务器上使用全流程（小白边踩坑边学习的记录）

conda create -n your_env_name python=x.x

conda activate your_env_name

conda create -n nnunet python=3.9 #过程中y 确认
conda activate nnunet

常用conda语句参考：

Anaconda conda常用命令：从入门到精通_conda命令_笨牛慢耕的博客-CSDN博客

步骤二：安装pytorch大礼包（注意：pytorch 2.0）

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

中间有报错重新输入输入即可，【Y/n】输入Y确认

补充：查看显卡版本,torch安装GPU版本的时候，要安装显卡以下的版本（即上述代码pytorch-cuda=11.7，这个11.7要小于显卡的cuda-version值）

（本地）windows+R，打开**Windows****命令，输入cmd，**再输入nvidia-smi

（服务器的terminal）直接输入nvidia-smi

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后面还有一个点！

自己就会安装nnunetv2了！

一套流程后 pip list 里面有 nnunetv2 即完成（或者 pip show nnunetv2）

步骤四：开始配置文件结构（可以在本地提前准备好）

这部分还是和以前差不多

DATASET文件夹下方创建三个文件夹，分别为

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）

Dataset101_Lung下四个文件夹+一个json文件

imagesTr	train训练集的医学影像（CT、MRI等）
imagesTs	test 检验集的医学影像（CT、MRI等）（optional）
labelsTr	train训练集的label涂层
labelsTs	test 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里面在.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

不同于nnunet初代版本在nnUNet_raw里面不需要额外的 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，后续再补充

json文件相较nnunet初代版本改了好多。但考虑到其实写的比原先版本更简洁了，可以认为是件好事情吧：

我一开始用了初代的json惨遭报错：

标准格式的文件如下：

nnunetV2给了相应的脚本：

可参考：nnU-Net v2的环境配置到训练自己的数据集（详细步骤）_小萝北hh的博客-CSDN博客

其中labels 0,1,2,3请务必对应好！所有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（即不同mask之间有交集）。对文件里mask数字位置的，可以打开python去读文件或者，ITK-SNAP读一下：ITK-SNAP Home (itksnap.org)")

Label1是红色，label2是绿色，则这层mask的矩阵，对应红色区域位置是1，绿色的是2，其余（background）是0

（备注：ITK-SNAP，包括python里面一些需要调用itk包，都是在路径中不能出现中文字，甚至“-”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，一般的本地也需要修改环境变量，用这个方法应该也可以

需要用到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

（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配置

source ~/.zshrc

source ~/.bashrc （我的是source ~/zshrc）

7、更新后重新激活之前配置的环境

conda activate your_env_name

conda activate nnunet

常见问题：这个就是典型环境变量没配好，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（可能在超算里面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 （否则相当于没刷新）

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

常见报错：RAM爆了，我当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

default_np = {“2d”:8, “3d_fullres”: 4, “3d_lowres”: 8} 改成了2,2,2（还不行就1,1,1；再不行就提升下换个配置吧。。。或者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，建议大家可以试试自己设备能够容纳的最大值

修改后内存就处于一个比较健康的状态了

步骤八：模型训练

我贪方便，直接命令行里面写，跑完一折再写下一次。当然也可以编写终端运行此 tst.sh 文件，使用 source命令执行脚本（待补充学习）

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表示数据集ID，上述提及过。0表示第1折

2d指的是训练Unet中的2d模型，可以选择3d_fullres，3d_lowres

开始训练了！Win！

nnUNet/nnunetv2/training/nnUNetTrainer/nnUNetTrainer.py路径下可以修改一些参数：

比如把epochs改为自己想要的数字，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

一些命令参数可以在后面加上-h来查看

3. 在正常运行代码后遇到的问题：

Ctrl+C会中断实验，原来指令后面加–c可以接着运行，再也不担心跑了一整晚的东西白跑了！

4.结果查看，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等的变化趋势，及时调整

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

不同于一般的迭代过程，nnunet训练没有early stop概念，Fabian自己在github上解释了

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

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 后跟着是需要预测mask的原影像文件， -o后面跟着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

nnUNetv2_predict -i nnUNet/nnUNetFrame/DATASET/nnUNet_raw/Dataset101_Lung/imagesTr -o /home/featurize/nnUNet/nnUNetFrame/DATASET/nnUNet_mask/Dataset101_lung/trainmask -d 101 -c 2d

步骤十一：预测结果分析

nnunet有自己内置的评价文件，位置在

预测结果分析：

/home/featurize/nnUNet/nnunetv2/evaluation/evaluate_predictions.py

修改即可，再在terminal cd到该py文件所在位置,输入python3 evaluate_prediction.py，接着去查看summary.json报告即可