nnU-Netv2在服务器上使用全流程(小白边踩坑边学习的记录)

avatar
作者
筋斗云
阅读量:1

目录

源码地址

步骤零:上传准备好的文件夹(详见步骤四)

步骤一:先conda 新环境 python==3.9:

步骤二:安装pytorch大礼包(pytorch 2.0)

步骤三:安装nnunetv2

步骤四:配置文件结构(可以在本地提前准备好)

步骤五:数据集的转换与json文件

步骤六:修改环境变量

步骤七:数据集预处理

步骤八:模型训练

步骤九:模型推理

步骤十:模型预测

步骤十一:预测结果分析

最终:获取超算上的文件

参考文献

背景与总结


源码地址

GitHub - MIC-DKFZ/nnUNet

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

以下都是直接在服务器的Terminal下完成的

步骤零:上传数据

我服务器用的featurize,他可以在实例外部预先上传,参考:数据集 | Featurize

当然也可以在实例里上传(会比较慢)

在右侧任务框上侧,也可以直接选择上传(一般仅支持zip等压缩文件)

步骤一:先conda 新环境 python==3.9:

非必须,如果服务器本来环境就已经是pytorch2.0+python3.9就没问题(这和nnunet初代版本配置有很大差别)

模板:

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fabiantask 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

imagesTrtrain训练集的医学影像(CT、MRI等)
imagesTstest 检验集的医学影像(CT、MRI等)(optional)
labelsTrtrain训练集的label涂层
labelsTstest 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

:a

(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

  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:

  1. 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]
  2. 文件结构是否有问题,特别是raw的路径要是DATASET01_NAME1的上一层
  3. 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

分别对应着label1,2,3的评价指标

最终:获取服务器上的文件

 把文件压缩,然后右键弹开download

参考文献

还是多看看开发者的github和写的documentation,还是有不少启发的

 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

在Windows上实现nnU-Net v2的环境配置_netv2_无聊的程序猿的博客-CSDN博客

GitHub - MIC-DKFZ/nnUNet

nnUNet_v2/documentation/how_to_use_nnunet.md at master · DIAGNijmegen/nnUNet_v2 · GitHub

nnUNetV2使用教程,超详细!!(使用MSD十项全能数据集)_msd数据集_不开心的多巴胺的博客-CSDN博客

不用写代码神器!教你用4行命令轻松使用nnUNet训练自己的医学图像分割模型_Tina姐的博客-CSDN博客

主要问题:nnunet和nnunetv2有一定差异:

nnUNet-v2 官方调用教程(节选关键内容)_新一代切糕传承人的博客-CSDN博客这篇文章几乎包含了所有差异!!

1、环境的要求,torch直接拉到2.0了,一开始配1.几的还用不了

2、命名的差异(如指令名在nnunet后面都要+v2)

3、Json文件的区别,其实写的比原先版本更更简洁了,反倒是件好事情:

旧版的参考:

nnUNet保姆级使用教程!从环境配置到训练与推理(新手必看)_江江ahh的博客-CSDN博客

保姆级教程:nnUnet在2维图像的训练和测试_Minerva_的博客-CSDN博客

背景与总结

背景:前期在本地windows电脑上装wsl再装nnunet走了很多弯路,环境配的很是破防。后在服务器上却比较轻松,所以强烈建议有条件的直接找个不那么贵的服务器平台(至少环境配崩了也可以直接重开,完全没有心理负担

作为一个本科低年级的AI初学者,第一次做深度学习相关项目,第一次使用这个库,第一次独自配环境,加上恰逢nnunetv2更新后,原版本有些总结和经验不再能直接照抄使用,网上没有很快更新v2的教程,还是有些痛苦的。同时作为第一次写这样的指南,内容有些冗余,也一定有缺漏和不足,还请大家多多包涵,欢迎大家在评论区提问指出~~

本文没包含的bug和报错也可以提问,也会尽所能去找的!

后续也会多多读读原文件,有收获和感想也会再多多更新~

完结散花!有其他报错欢迎评论区讨论,楼主也是第一次使用这个库,对其中很多函数还没有细细去读过,之后再慢慢发掘、多读读documentation,找到一些可供直接使用的函数,再更新更新。

举例:在preprocessing里有默认的归一化、重采样等操作,我手上有拿到其他数据(不需要用来分割)但不知道该怎么归一化,我直接读了读nnunet里的preprocessing知道大概的流程了。

学习,路漫漫其修远兮

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!