nnU-Netv2新手教程（医学图像分割设计的自适应深度学习框架）

最新推荐文章于 2025-10-29 17:20:07 发布

原创

最新推荐文章于 2025-10-29 17:20:07 发布 · 3.3k 阅读

30 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能

nnU-Netv2新手教程，训练用数据集BraTs2021

安装Anaconda
- 手动添加环境变量如下：
首先打开anaconda版的cmd（Anaconda Prompt），创建一个虚拟环境，创建指令为
创建完成后激活环境，指令为：
安装Pytorch，指令为：
- 安装Git插件，在pycharm设置Git路径
安装nnunet库(使用Git的方法安装)：
在nnUNet文件夹中创建一个新文件夹nnUNetFrame，在该文件夹中新建三个文件夹：
修改data_process.py，用于处理BraTS2021 原始数据集
- 运行data_process.py 可以看到nnUNet_raw文件夹下有处理好的数据文件。
修改环境变量：
进行预处理，命令行运行
训练数据集：
验证、推理和模型寻优

nnUnet方法源自论文
大佬文章 https://www.nature.com/articles/s41592-020-01008-z
《Automated Design of Deep Learning Methods for Biomedical Image Segmentation》，来自德国癌症研究中心。

源码地址：https://github.com/MIC-DKFZ/nnUNet。
nnUNet浓缩了医学图像的语义分割领域的大部分知识，并且具备自动为不同任务设计不同训练方案的框架，不需要人工进行调参。

安装Anaconda

方式一：从官网下载
官网首页：https://www.anaconda.com/
官网下载页：https://www.anaconda.com/products/individual#Downloads
根据你的系统选择相应的installer即可

方式二：清华镜像下载（中国大陆推荐）
在官网下载比较慢，而且容易断开连接，推荐用下面清华镜像方式：

下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
打开后，可以通过时间排序找到最新版本下载，或者选一个你想要的版本。
安装Anaconda
在这里插入图片描述
勾选添加环境变量（不勾选的话，需要手动添加）
第二个勾选则是选择anaconda的python优先级最高，不管电脑是否安装了其他版本的python

手动添加环境变量如下：

在这里插入图片描述
硬盘已分区的情况下，不建议将Anaconda安装在C盘，建议安装在D盘等非系统盘
将以下环境变量，相应用户的目录可能会有所不同，但是后面的路径名相同。点击编辑，添加至path中
C:\anaconda3
C:\anaconda3\Scripts
C:\anaconda3\Library\bin
C:\anaconda3\Library\mingw-w64\bin
安装完成后，在CMD下输入conda
在这里插入图片描述
显示如图即安装成功

首先打开anaconda版的cmd（Anaconda Prompt），创建一个虚拟环境，创建指令为

conda create -n nnU-Net python=3.9

在这里插入图片描述

proceed 选择 y

创建完成后激活环境，指令为：

conda activate nnU-Net

在这里插入图片描述
我们可以看到已经切换到之前创建的nnU-Net环境

安装Pytorch，指令为：

在cmd下输入指令：nvidia-smi 红框为自己电脑的cuda版本。查看自己显卡的cuda版本
在这里插入图片描述注意，下载pytorch时，cuda只能向下兼容，例如我的cuda为12.0，那么选择11.8，不能选择12.1及以上，另一台电脑为12.7则选择12.4，12.1和11.8均可，建议选择与自己版本相近的）
ps：如果自己显卡cuda过旧，可点击红框，下载先前的pytorch版本，注意要选择自己对应的操作系统
在这里插入图片描述

复制Run this Command，安装pytorch(cmd下) 选择cuda对应的版本（cuda向下兼容）

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

在这里插入图片描述
创建文件夹，用pycharm打开 Open Folder as PyCharm Project

在这里插入图片描述
打开pycharm，给项目添加解释器，将conda下面的nnU-Net环境添加至项目

在这里插入图片描述
配置完成后检查cuda和CPU是否可用

在这里插入图片描述
返回结果

在这里插入图片描述

安装Git插件，在pycharm设置Git路径

下载安装
在这里插入图片描述

对pycharm进行git的配置

选择正确的git路径，点击测试，即可显示版本
在这里插入图片描述

安装nnunet库(使用Git的方法安装)：

首先在设置中将工具终端的shell路径设置为cmd（以便于在pycharm终端进行项目管理）
在这里插入图片描述
在pycharm打开终端，开始安装nnU-Netv2

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

在这里插入图片描述

在nnUNet文件夹中创建一个新文件夹nnUNetFrame，在该文件夹中新建三个文件夹：

nnUNet_raw
nnUNet_preprocessed
nnUNet_results

文件夹名称固定（raw存放原始数据集，preprocessed存放预处理后的训练计划，results存放训练结果等

修改data_process.py，用于处理BraTS2021 原始数据集

原始数据集并不满足nnU-Net的数据规范，因此我们需要将数据转换为规范数据。
这里data_process.py的编写，可以参考Deeplearning\nnUNet\nnunetv2\dataset_conversion目录下的文件
这里我们用到的是BraTS2021的数据集，因此可以参考Dataset137
在这里插入图片描述
data_process.py代码如下

import multiprocessing
import shutil
from multiprocessing import Pool

import SimpleITK as sitk
import numpy as np
from batchgenerators.utilities.file_and_folder_operations import *
from nnUNet.nnunetv2.dataset_conversion.generate_dataset_json import generate_dataset_json

#定义函数 将BraTS标签转换为nnU-Net格式
def copy_BraTS_segmentation_and_convert_labels_to_nnUNet(in_file: str, out_file: str) -> None:
    # use this for segmentation only!!!
    # nnUNet wants the labels to be continuous. BraTS is 0, 1, 2, 4 -> we make that into 0, 1, 2, 3
    img = sitk.ReadImage(in_file)
    img_npy = sitk.GetArrayFromImage(img)

    uniques = np.unique(img_npy)
    for u in uniques:
        if u not in [0, 1</