在ubantu上部署自己的nnUNet

是小峰呀
582 阅读5分钟

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第10天，点击查看活动详情

说一下Unet网络，在其被提出之后，包括Unet++在内，几乎没有像Unet这样有如此大的突破，后期的创新也多围绕Unet展开，对于nnUNet来说，虽然仍然带有Unet的字眼，但是框架的效果还是非常不错的。

nnUNet对比其他的网络的改进，更加注重图像的预处理工作，nnUNet可以自动判断影像的模态，并进行相应的归一化操作，然后根据三次样条插值对不同的图像体素间距进行采样。

本博客主要介绍一下在Ubantu系统下如何运行自己的nnUNet网络。

1.安装CUDA+CUDNN+pytorch

这一步是基础，我用的是实验室的服务器，CUDA和CUDNN早就已经安装好，我只列举一下我的版本，具体的安装过程我就不再详细的叙述，网络上也有相应的安装教程，可以进行参考。

CUDA 10.2
CUDNN 7.6.5

pytorch直接使用官网的命令行安装即可，我直接使用默认安装的操作，整个nnUNet的配置过程没有遇到障碍。

2.安装Apex，这个插件的作用主要用于混合训练。这个没有办法通过pip进行安装，要去这个网站

https://gitcode.net/mirrors/nvidia/apex?utm_source=csdn_github_accelerator

下载apex的代码包，然后放置到本地进行安装。

代码包的内容大概如下

image.png

下载之后，进入到该文件夹的主目录，也就是setup.py所在的目录，然后在终端下执行下面的命令

python setup.py install --cuda_ext --cpp_ext

然后耐心等一会儿，如果顺利的话就会看到显示安装成功了。我在安装过程性还比较顺利，一次就过了，没什么问题。

3.安装hiddenlayer

这个库的安装相对比较省事，直接通过pip进行安装即可，包非常小，很容易就安装完成了。

4.下载nnUNet的代码，解压并放到本地，

https://github.com/MIC-DKFZ/nnunet

image.png 随后，进入nnunet文件夹下面，激活conda虚拟环境(未使用conda忽略此步骤)，然后执行下面的操作

pip install -e .

5.下载需要的数据集

https://drive.google.com/drive/folders/1HqEgzS8BV2c7xYNrZdEAnrHk7osJJ--2

如下，随机选择一个进行下载，我选择的是02进行下载，主要原因是数据集小，目前仅做测试的话完全够用，不然进行数据预处理之后，会占用非常大的空间。

image.png

6.首先回到nnUNet代码包，新建一个DATASET文件夹，然后进入到DATASET文件夹，继续创建nnUNet_preprocessed、nnUNet_raw和nnUNet_trained_models三个文件夹，其中第一个用来存放我们的预处理数据，第二个用于存放的是数据集以及crop之后的数据集，第三个用于存放训练的结果

完成上述步骤之后，进入第二个文件夹，然后创建两个文件夹nnUNet_cropped_data和nnUNet_raw_data，其中第一个用于存放crop之后的数据，第二个用于存放原始的数据集数据，刚刚下载的数据集即可解压到此文件夹下，注意名字不要修改，还是Task02_Heart，这其中02表示任务号，这个后面会用到。

7.这一步就是告诉nnUNet，去哪里读取数据，也就是我们刚刚建立的三个文件夹的位置。我以我的情况为例，管理员在服务器中为我创建了一个账户，比如名字就是abc，在/home/abc账户下有一个.basnrc文件，这个是当前账户的环境变量，通过vim编辑器打开此文档，在文件的最后插入下面三句话。

export nnUNet_raw_data_base="/home/abc/PythonWorkSpace/nnunet/DATASET/nnUNet_raw"
export nnUNet_preprocessed="/home/abc/PythonWorkSpace/nnunet/DATASET/nnUNet_preprocessed"
export RESULTS_FOLDER="/home/abc/PythonWorkSpace/nnunet/DATASET/nnUNet_trained_models"

加入之后，关闭文件，然后执行source ./bashrc

在执行完成之后会自动退出conda虚拟环境，此时需要重新登陆一下，也就是conda activate envname(自己虚拟环境的名称)

8.上述都执行完成之后，就是对数据集的操作了，执行下面的语句，对数据集进行处理。

nnUNet_convert_decathlon_task -i /home/abc/nnunet/DATASET/nnUNet_raw/nnUNet_raw_data/Task02_Heart

前面的nnUNet_convert_decathlon_task -i不需要修改，只需要把后面的路径替换为自己的即可。

执行完成之后，你会发现在nnUnet_raw_data下面多了一个目录，名字为Task002_Heart，这时候就表示成功了，然后就可以将原来的Task02_Heart目录删除了，此处注意，如果不删除，一定要将当前目录切换到Task002_Heart里面再执行下面的步骤，否则系统会优先默认去找Task02_Heart路径下的数据文件，导致报错。

9.执行预训练

执行下面的命令，注意2就是下载的数据集中数据集名称中数字的对应的名称，也就是任务号。由于数据集较小，这一步不会执行很长时间，我在服务器上执行了大概一分钟左右就可以了。

nnUNet_plan_and_preprocess -t 2

10.训练

执行下面的命令即可，2前面的命令无需改变，2表示任务号，2后面的4表示使用五折交叉验证的第四折。

nnUNet_train 3d_fullres nnUNetTrainerV2 2 4

运行的结果如下，我是在2080ti的单卡中训练的

image.png

训练大概1000个epoch就结束了，时间比较慢，当然，也可以使用预训练模型，直接在下面下载

https://zenodo.org/record/3734294#.Y0UasnZByUn

下面就结束了，至此，nnUNet最终是跑起来了，关于对其改进、如何训练自己的数据集，我会在后面的博客中继续详细的讲述。

avatar
文章
阅读
粉丝