nnUnet代码分析一训练

原创 已于 2022-09-18 09:16:27 修改 · 2k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能

于 2022-09-02 14:21:10 首次发布
本文介绍了nnUNet在医学图像分析中的应用，特别是2D分割任务。nnUNet_train2d用于训练，nnUNetTrainerV2作为trainer，使用dice和CE损失函数。数据增强包括旋转和缩放。训练过程展示了在不同GPU上（如k80和2080ti）的速度差异。实验结果显示，随着epoch增加，模型的分割性能逐渐提升，例如在海马体分割任务中达到了高精度。

nnUnet是做分割的一套完整代码，用在医学图像分析中较多，效果还很不错。

先看训练的代码 run_training.py

一般用法：nnUNet_train 2d nnUNetTrainerV2 TaskXXX_MYTASK FOLD --npz

2d代表2d Unet网络，nnUNetTrainerV2代表trainer，Task是任务id，

还有其他的参数。详见代码。

plans_file, output_folder_name, dataset_directory, batch_dice, stage, \

    trainer_class = get_default_configuration(network, task, network_trainer, plans_identifier)

根据网络、任务、trainer，计划生产一个trainer_class.

命令：nnUNet_train 2d  nnUNetTrainerV2 Task004_Hippocampus 1 --npz

输出结果如下：

###############################################
I am running the following nnUNet: 2d
My trainer class is:  <class 'nnunet.training.network_training.nnUNetTrainerV2.nnUNetTrainerV2'>
For that I will be using the following configuration:
num_classes:  2
modalities:  {0: 'MRI'}
use_mask_for_norm OrderedDict([(0, False)])
keep_only_large

最低0.47元/天 解锁文章
nnUnet代码解读--模型训练
weixin_44858814的博客
04-30 1万+
nnUnet代码解读（一） nnunet项目官方地址 MIC-DKFZ/nnUNet 准备工作 关于nnUnet代码包的安装和配置参考nn-UNet使用记录–代码配置_宁眸的博客-优快云博客 确认安装nnUnet代码包，配置好环境变量，确认nnunet/run/run_training.py可以成功运行。 我是一边debug一边阅读源码的，不想debug也可以直接看源码。 export nnUNet_raw_data_base="/data/.../nnUNet_raw_data_base" export
源码解析（二）：nnUNet
2401_83173765的博客
06-01 1519
nnU-Net 支持使用 PyTorch 的 DistributedDataParallel (DDP) 进行分布式训练，当使用多个 GPU 时，批量大小分布在各个工作器上，并且系统处理跨设备的梯度同步。nnU-Net 结合使用了 Dice 损失和交叉熵（或基于区域的分割的 BCE），损失函数是根据任务类型（基于标签或基于区域的分割）以及是否启用深度监督来构建的。nnU-Net v2 中的评估和模型选择系统提供了一个强大的框架，用于评估已训练分割模型的性能、选择最佳配置，并通过后处理和集成来改进结果。
nnUNet 更改学习率和衰减优化器的方法
qq_36340554的博客
11-06 2321
我们可以继承nnUNetTrainer类重写一个 nnUNetTrainerCosAnneal类，当然nnUnet已经贴心的为我们写好了 在.\nnUNet\nnunetv2\training\nnUNetTrainer\variants\optimizer\nnUNetTrainerAdam。警告已经说的很明白了，就不翻译了，为了避免不能在训练的时候调整学习率，我们需要去改变。要修改优化器也可以直接在。
nnU-Net源码剖写解读
supernova121的博客
11-14 3037
nnU-Net已经称为了医学图像分割的backbone是现有医学分割模型的集大成者，它已其简单的训练流程和简单U-net模型就可达到sota的水平。我们将对nnUnetV2版本的源码进行剖析，理解和分析这个框架的原理，并希望在学习的后期能够修改源码作出创新。
nnUNet源码解读（一）：数据维度变换
liangbilin的博客
12-16 1827
最近用到 nnUNet 这个框架做了一个影像分割的项目。正好学习一下这个框架的源码。我的电脑是ubuntu，已经安装好了nnUNet框架，并且按照作者提供的的步骤，对相应步骤的原码进行解读。使用到数据也是作者在文档中提供的前列腺（prostate）数据集，下载地址：https://drive.google.com/drive/folders/1HqEgzS8BV2c7xYNrZdEAnrHk7osJJ–2只是记录我读源码的过程，所以文档格式很乱，也可能有错误。
nnUNet 预测代码分析
fanhenghui的专栏
02-21 436
上述命令可以对一个目录下的文件进行批量预测，但是预测的文件名要符合特定规律，必须是.nii.gz结尾，而且文件名中要包含通道名all files have a 4 digit channel index (_XXXX)第三步，进入_manage_input_and_output_lists方法，判断参数是否是字符串，是的话从字符串读取文件列表。第一步，调用命令含后进入predict_entry_point方法。第二步，进入predict_from_files方法。
nnUnet 语义分割源码
07-14
源码分析： nnUnet的源码通常包含以下几个主要部分： 1. **数据预处理**：这部分代码负责将原始的3D医学图像转换为适合模型训练的格式，包括标准化、切片选择、数据增强等。 2. **模型构建**：nnUnet的模型定义，...
nnUnet_windows.rar
12-14
此外，还附带了制作nnUnet数据Jason代码，这对于数据预处理和模型训练是至关重要的。Jason文件是一种常见的数据格式，用于存储JSON（JavaScript Object Notation）数据，它是轻量级且易于人读的，通常用于配置文件...
官方分割模型nnUnet的github仓库项目
07-01
1. **代码库（Codebase）**：包含了nnUNet框架的主要Python代码，这些代码负责模型训练、验证、测试和推理。它还提供了数据预处理、数据加载以及模型保存和加载的功能。 2. **配置文件（Configuration Files）**：...
nnUNetv2代码详解与调试
weixin_48111108的博客
07-17 3155
nnUNetv2代码复现
Python-nnUNet是一个专为医学图像分割而设计的框架
08-11
nnU-Net是一个专为医学图像分割而设计的框架。 给定一个新的数据集（包括训练案例），nnU-Net将自动处理整个实验管道。
nnUNet代码学习整理
qq_52321660的博客
07-24 1883
路径：/home/xrd/code/nnUNet/nnunet/preprocessing/preprocessing.py设置重采样低分辨率轴的阈值（RESAMPLING_SEPARATE_Z_ANISO_THRESHOLD）：3训练网络，并进行验证，当epoch大于1000或满足停止训练条件时，跳出循环，打印训练和验证损失，每一类别的dice，计算移动平均损失，画损失函数图，......并保存最后一次训练模型和最佳模型。
nnUNet V2训练-AutoDL
闪闪发光的博客
01-29 5654
nnUNet训练-AutoDL
nnUnet代码解读--数据增强
weixin_44858814的博客
05-03 8163
nnunet项目官方地址 MIC-DKFZ/nnUNet 准备工作 关于nnUnet代码包的安装和配置参考[nn-UNet使用记录–代码配置_宁眸的博客-优快云博客]( nnUnet最经典的部分在于数据处理，本文简单介绍nnUnet的数据读取和数据增强方法。 以nnunet/training/network_training/nnUNetTrainer.py为例 数据读取 self.dl_tr, self.dl_val = self.get_basic_generators() self.dl_t
nnUnet代码解读--优化策略
weixin_44858814的博客
05-04 3671
优化策略 nnUNetTrainer def initialize_optimizer_and_scheduler(self): assert self.network is not None, "self.initialize_network must be called first" self.optimizer = torch.optim.Adam(self.network.parameters(), self.initial_lr, weight_decay=self.weight_
nnUNetv2训练流程——环境配置、数据集构建、数据处理、训练
weixin_45882172的博客
04-26 8960
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、数据训练整体流程说明。
nnUNet保姆级使用教程！从环境配置到训练与推理（新手必看）
热门推荐
m0_68239345的博客
02-04 8万+
本人初步接触深度学习与医学图像分割领域，第一个项目就是运用nnUNet网络对BrainTumour的数据集进行分割，在学习的过程中，学了很多资料，踩了很多坑，也解决了很多bug，在此把自己的学习经验分享出来，希望有需要的同学可以少走一些弯路。 文章非常详细，对新手也很友好，欢迎大家一起学习分享。
nnunet代码使用
longshaonihaoa的博客
06-21 6110
nnunet作为一个医学分割中神一样的代码。有很多地方可能在运行时需要改进。这就要求我们不能仅满足于安装nnunet包，并通过官方命令运行。而应对代码进行修改。 本文主要讲解在下载nnunet后如何通过修改代码运行。 关于nnunet的讲解，和安装nnunet包，使用命令运行的方法推荐这个博主的四篇文章。 阅读本文是可以同时参考官方使用教程 1、设置conda环境 为了避免环境适配的问题，最好安装一个新的conda环境。python3, torch1.6以上。 温馨提供：安装conda环境.
nnUNet使用教程（使用自己的数据训练自己的模型）
qq_40962125的博客
11-25 2万+
1.制作自己的数据集（使用自己的数据训练自己的模型） 本文主要讲述了自己训练模型的复现，更多的关注在nnunet的具体使用，跟着文章一步一步的操作得到可以实际应用的模型。
nnUNet代码复现
最新发布
10-01
<think>首先，用户的问题是：“我想复现nnUNet的代码 请问nnUNet代码复现方法”。根据系统指令，我需要参考用户提供的站内引用，并确保回答结构清晰，逐步解决问题。 用户提供的引用包括： - [^1]: 关于复现nn-Unet模型的实验报告，提到数据预处理（窗口化），损失函数（Focal Tversky Loss），和多任务处理。 - [^2]: 复现nnUNet2并跑通自定义数据，涉及文件夹结构（nnUNet_raw, nnUNet_preprocessed, nnUNet_results）和数据集格式转换。 - [^3]: 使用nnUNet_plan_and_preprocess命令进行数据预处理。 - [^4]: 环境设置示例（Python 3.7.13, CUDA 11.1, Pytorch 1.10.1, torchvision 0.11.2）。 - [^5]: UNet算法的关键创新是跳跃连接。 用户的问题焦点是复现nnUNet的代码方法，所以我需要基于这些引用构建一个逐步指南。 关键点： - 设置环境：从[^4]看，需要特定环境如Python、CUDA、PyTorch。 - 文件夹结构：从[^2]，需要创建三个文件夹：nnUNet_raw, nnUNet_preprocessed, nnUNet_results。 - 数据集格式转换：引用[^2]提到将原始数据集放到nnUNet_raw下，并进行格式转换。 - 数据预处理：引用[^3]提到使用nnUNet_plan_and_preprocess命令。 - 模型改动：引用[^1]提到了一些改进，但用户的问题是基础复现，所以我应该先覆盖标准复现方法。如果有必要，可以提及改进点。 回答结构： - 使用中文回答。 - 结构清晰，逐步指导。 - 在适当的地方添加引用标识。 - 生成相关问题作为结尾。 大纲回答： 1. **引言**：简要说明nnUNet复现步骤。 2. **步骤1：环境设置**：根据引用[^4]，列出所需环境。 3. **步骤2：文件夹结构设置**：根据引用[^2]，描述创建必要的文件夹。 4. **步骤3：数据集准备**：解释如何放置原始数据集并进行格式转换。 5. **步骤4：数据预处理**：使用引用[^3]，说明运行nnUNet_plan_and_preprocess命令。 6. **步骤5：模型训练**：描述训练命令，但引用中没有直接提到，我可以基于常识添加。 7. **可选改进**：简要提及引用[^1]中的改进点，如窗口化预处理或Focal Tversky Loss。 8. **结尾**：生成相关问题。 确保内容真实可靠：基于提供的引用，避免添加虚假信息。如果有缺口，保持一般性。 生成相关问题： - 基于用户查询，如数据集格式细节、训练参数优化、性能分析等。 最终回答格式： - 标题或清晰分段。 - 数学表达式：如果涉及，用$...$或$$...$$，但nnUNet复现可能不涉及数学，所以可能不需要。 - 代码块：如果需要代码命令，用代码块展示。 - 引用：在段落末尾自然地添加引用标识，如[^2]。 </think>以下是基于您提供的引用信息和我的专业知识，整理的nnUNet代码复现方法。nnUNet是一个用于医学图像分割的强大框架，复现过程包括环境设置、数据集准备、数据预处理、模型训练和评估等步骤。整个过程基于引用[^2][^3][^4]，并结合标准实践进行优化。复现时，请确保步骤顺序正确，避免常见错误如路径配置不当或环境冲突。 ### 1. **环境设置** nnUNet依赖特定版本的Python和深度学习库。根据引用[^4]，推荐使用以下环境： - **Python 3.7+**（建议3.7.13） - **CUDA 11.1**（GPU加速必需） - **PyTorch 1.10.1** - **torchvision 0.11.2** 安装步骤： ```bash # 创建虚拟环境 conda create -n nnunet_env python=3.7.13 conda activate nnunet_env # 安装依赖 pip install torch==1.10.1 torchvision==0.11.2 pip install nnunet # 安装nnUNet官方库 ``` 环境设置是基础步骤，需确保所有库兼容，以避免后续训练失败[^4]。 ### 2. **文件夹结构准备** nnUNet要求特定文件夹结构存放数据和结果。根据引用[^2]，创建三个核心文件夹： - **nnUNet_raw**: 存放原始医学图像数据集（如DICOM或NIfTI格式）。 - **nnUNet_preprocessed**: 存储预处理后的数据和配置文件。 - **nnUNet_results**: 存放训练模型、日志和预测结果。 创建命令： ```bash mkdir -p nnUNet_raw nnUNet_preprocessed nnUNet_results ``` 将下载的数据集（如Task02_Heart数据集）放入`nnUNet_raw`目录。数据集需包含图像和标注文件，目录结构如下： ``` nnUNet_raw/ └── TaskXXX_MYDATASET/ # 自定义任务名，如Task001_BrainHemorrhage ├── imagesTr/ # 训练图像 ├── labelsTr/ # 训练标注 └── dataset.json # 数据集描述文件（需手动创建） ``` `dataset.json`文件需定义数据集元数据，例如： ```json { "name": "BrainHemorrhage", "modality": {"0": "CT"}, "labels": {"0": "background", "1": "hemorrhage", "2": "complication"}, "numTraining": 100 } ``` 此步骤确保数据规范统一，便于后续处理[^2]。 ### 3. **数据集格式转换** 某些原始数据集（如MSD挑战赛数据）需要转换为nnUNet兼容格式。使用nnUNet提供的工具： ```bash nnUNet_convert_dataset -i /path/to/raw_data -o nnUNet_raw/TaskXXX_MYDATASET ``` 转换完成后，验证`nnUNet_raw`中文件是否完整。此步骤依赖于数据集来源，MSD数据集通常自动转换，但自定义数据需手动调整[^2]。 ### 4. **数据预处理** nnUNet自动执行预处理，包括归一化、重采样和生成配置文件。引用[^3]强调使用`nnUNet_plan_and_preprocess`命令： ```bash nnUNet_plan_and_preprocess -t XXX # XXX为任务ID，如001 ``` 此命令会： - 分析图像大小、体素间距和强度分布。 - 生成配置文件到`nnUNet_preprocessed/TaskXXX_MYDATASET`。 - 自动处理窗口化（如引用[^1]提到的改进），优化不平衡数据。 预处理耗时较长（取决于数据大小），需监控日志以确保成功[^3]。 ### 5. **模型训练** 启动训练命令，nnUNet支持2D/3D模型： ```bash nnUNet_train CONFIGURATION nnUNetTrainerV2 TASK_ID FOLD # 示例: nnUNet_train 3d_fullres Task001_BrainHemorrhage 0 ``` - **CONFIGURATION**: 配置类型（如`2d`、`3d_fullres`）。 - **TASK_ID**: 任务ID，与预处理一致。 - **FOLD**: 交叉验证折数（0-4）。 训练输出（模型和日志）保存在`nnUNet_results`中。引用[^1]中提到可选改进： - **损失函数优化**: 替换默认损失为Focal Tversky Loss，处理类别不平衡。 - **多任务训练**: 同时分割脑出血和并发症。 改进可在训练脚本中配置，但标准复现可直接使用默认设置。 ### 6. **模型评估与预测** 训练后，使用验证集评估性能： ```bash nnUNet_predict -i INPUT_DIR -o OUTPUT_DIR -t TASK_ID -m CONFIGURATION ``` - `INPUT_DIR`: 测试图像路径。 - `OUTPUT_DIR`: 预测结果保存路径。 评估指标（如Dice系数）会显示在终端。首次复现建议先测试小数据集以保证流程正确。 ### 注意事项 - **硬件要求**: nnUNet训练GPU密集型，建议至少12GB显存。 - **时间估计**: 完整训练可能需数小时至数天（如引用[^1]实验耗时）。 - **改进点**: 引用[^1]和[^5]提到，nnUNet核心基于UNet的跳跃连接（Skip Connections），复现后可尝试添加自定义模块。 - **常见错误**: 环境不匹配（引用[^4]）或路径错误（引用[^2]）是主要失败原因，建议逐步调试。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值