nnunet模型

### nnUNet 模型使用教程 #### 1. 安装环境准备 为了成功运行 nnUNet，需要确保基础开发环境已经搭建完成。通常情况下，默认操作系统为 Ubuntu，并且 CUDA 和 PyTorch 已经安装完毕[^3]。 #### 2. 下载并安装 nnUNet 通过 GitHub 获取 nnUNet 的源码，并按照以下命令进行克隆和安装： ```bash git clone https://github.com/MIC-DKFZ/nnUNet.git cd nnUNet pip install -e . pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git@more_plotted_details#egg=hiddenlayer ``` 上述操作会将 nnUNet 及其依赖项安装到本地环境中。 #### 3. 数据文件夹结构设置 在实际应用前，需创建特定的数据存储路径以便于后续处理。具体步骤如下所示： - 创建 `raw_data` 文件夹用于存放原始数据集； - 创建 `preprocessed` 文件夹保存预处理后的中间结果； - 创建 `results` 文件夹记录实验过程中的日志以及最终模型权重等信息。 #### 4. 训练流程概述 训练阶段由脚本 `train.py` 控制执行逻辑。以下是启动训练的主要参数说明： - `-t TASK_ID`: 指定要使用的任务编号或者名称； - `--val_mod val_mode`: 验证模式的选择可以影响评估指标计算方式； - `--npz`: 是否导出 npz 格式的预测掩膜作为额外输出选项之一[^2]。 完整的调用例子可能看起来像这样： ```bash python nnunetv2/train.py -t Task001_BrainTumour --val_mod foreground_only --npz ``` #### 5. 推理与验证 当训练完成后，可以通过加载保存下来的检查点来进行测试样本上的推断工作。这一步骤涉及到了解压缩 `.pkl` 后缀名结尾的序列化对象——即所谓的 “final checkpoint”，它包含了整个神经网络架构及其学习得到的最佳参数集合[^1]。 利用 predict 脚本来实现这一目标非常简便快捷： ```bash python nnunetv2/predict.py -i input_folder -o output_folder -d dataset_name_or_id -tr trainer_class -m model_configuration [-f folds] ``` 其中一些重要标志解释如下： - `-i INPUT_FOLDER`: 输入图像所在的目录位置； - `-o OUTPUT_FOLDER`: 输出分割图的目标地址； - `-d DATASET_NAME_OR_ID`: 对应的任务标识符； - `-tr TRAINER_CLASS`: 自定义训练器类的名字（如果存在的话），否则采用默认版本； - `-m MODEL_CONFIGURATION`: 所期望部署的具体变体形式比如 '2d', '3d_lowres' 等等。 --- ### 示例代码片段展示如何初始化一个简单的推理管道 假设我们已经有了经过良好调整过的脑肿瘤分类系统的最后一版权值档案，则下面给出了一种基于 Python API 实现自动化批量处理的方法： ```python from pathlib import Path import subprocess input_dir = "/path/to/input/images" output_dir = "/path/to/save/results" dataset_identifier = "Task001_BrainTumour" trainer_variant = "nnUNetTrainerV2" configuration_type = "3d_fullres" subprocess.run([ "python", "nnunetv2/predict.py", "-i", str(Path(input_dir)), "-o", str(Path(output_dir)), "-d", dataset_identifier, "-tr", trainer_variant, "-m", configuration_type ]) ``` 此段脚本能够帮助用户快速上手从零构建自己的医学影像分析流水线！ ---