以前觉得麻烦，一直没用过nnunet，虽然知道它很火，最近一个契机，部署使用了一下nnunet，记录一下其部署和使用的方法与命令。

---

1、部署

  首先，我有一个环境，这个环境可以是以前就有的，也可以为了nnunet重新建一个，给它一个温暖的家。

第一步，激活环境：

source activate myMRI

第二步，安装nnunet：

pip install nnunet

  安装完了可以发现，nnunetV1和nnunetV2都安装上了：

第三步，查看与进入.bashrc文件：

ls -al /home/qijing   # 查看
vim ~/.bashrc  # 进入文件

第四步，修改.bashrc文件：

  直接按 i 键可以对文件进行修改，若采用nnunetV1，则文件底部添加：

export nnUNet_raw_data_base="/mnt/data_2/qijingunet/nnUNet_raw"
export nnUNet_preprocessed="/mnt/data_2/qijingunet/nnUNet_preprocessed"
export RESULTS_FOLDER="/mnt/data_2/qijingunet/nnUNet_trained_models"

  若采用nnunetV2，则文件底部添加：

export nnUNet_raw="/mnt/data_2/qijingunet/nnUNet_raw"
export nnUNet_preprocessed="/mnt/data_2/qijingunet/nnUNet_preprocessed"
export nnUNet_results="/mnt/data_2/qijingunet/nnUNet_trained_models"

  这三个路径可以根据自己的文件夹名字设置，我是给V1和V2都设置了：

  修改完成后，Esc + ：+ wq 退出并保存修改之后的文件：Esc 键退出编辑模式，英文模式下输入 :wq ，然后回车 (write and quit)

第五步，更新.bashrc文件：

source ~/.bashrc

第六步，验证路径设置正确，并且应该打印出正确的文件夹：

echo $RESULTS_FOLDER etc

  验证如下所示：

---

2、应用

  部署好了nnunet，得用起来呀，我们试试十项分割挑战赛的数据集：下载传送

  以Task02_Heart为例，下载好的文件夹如下所示，其中imagesTr存放训练数据，imagesTs存放测试数据，labelsTr存放训练数据标签，dataset.json是数据集的信息。

第一步，数据格式转换：

  nnunetV1命令：

nnUNet_convert_decathlon_task -i $nnUNet_raw_data_base/nnUNet_raw_data/Task02_Heart

  nnunetV2命令：

nnUNetv2_convert_MSD_dataset -i $nnUNet_raw/Task02_Heart

  -i 后面也可以写绝对路径：

nnUNetv2_convert_MSD_dataset -i /mnt/data_2/qijingunet/nnUNet_raw/nnUNet_raw_data/Task02_Heart

  运行完成后，在同目录下生成一个名为Dataset002_Heart的文件夹。

  一般制作自己的数据集，可以直接制作成这一步的样子。

  imagesTr文件夹如下所示，其中_0000表示模态，像Task01_BrainTumour数据集，训练数据会有四个模态。

  labelsTr文件夹如下所示，与imagesTr文件夹中的数据相对应：

  dataset.json文件信息如下，nnUnetV2的dataset.json信息比nnUnetV1简单很多，如果是自己的数据集，可以写代码生成json信息文件，当然如果按V2这个形式，复制过去改是最方便的啦~

第二步，数据预处理：

  nnunetV1命令：

nnUNet_plan_and_preprocess -t 002 --verify_dataset_integrity

  nnunetV2命令：

nnUNetv2_plan_and_preprocess -d 002 --verify_dataset_integrity

  其中，002是任务id号，预处理完成后，会在nnUNet_preprocessed文件夹中生成一个Dataset002_Heart同名文件夹，里面包含以下内容：

第三步，模型训练：

（1）训练2D U-Net模型

  nnunetV1命令：

nnUNet_train 2d nnUNetTrainerV2 Task002_Heart 3
nnUNet_train 2d nnUNetTrainerV2 002 3

  可以写文件夹全名，也可以只写任务id号，最后的数字表示第几折，默认取值为[0,1,2,3,4]，

  nnunetV2命令：

nnUNetv2_train 002 2d 0

  运行命令后，会在nnUNet_preprocessed/Dataset002_Heart文件夹中生成一个splits_final.json文件，其中存储的就是交叉验证的数据划分信息，当然啦，如果想自己划分也可以修改这个文件。

  当然啦，一折一折跑还得看着它，挺麻烦的，想要一个命令实现五折交叉验证怎么办咧

  使用 && 运行多个 Linux 命令：

nnUNet_train 2d nnUNetTrainerV2 002 0 && nnUNet_train 2d nnUNetTrainerV2 002 1 && nnUNet_train 2d nnUNetTrainerV2 002 2 && nnUNet_train 2d nnUNetTrainerV2 002 3 && nnUNet_train 2d nnUNetTrainerV2 002 4

nnUNetv2_train 002 2d 0 && nnUNetv2_train 002 2d 1 && nnUNetv2_train 002 2d 2 && nnUNetv2_train 002 2d 3 && nnUNetv2_train 002 2d 4

  nnUNet五折交叉验证运行结束后可在以下路径中生成五个fold文件夹：

nnUNet_trained_models/nnUNet/2d/Task002_Heart/nnUNetTrainerV2__nnUNetPlansv2.1

（2）训练3D full resolution U-Net模型

  nnunetV1命令：

nnUNet_train 3d_fullres nnUNetTrainerV2 Task002_Heart 2

  nnunetV2命令：

nnUNetv2_train 002 3d_fullres 0

（3）训练3D U-Net cascade模型

  nnunetV1命令：

# 第一步：3D low resolution U-Net训练
nnUNet_train 3d_lowres nnUNetTrainerV2 Task002_Heart 0  
# 第二步：3D full resolution U-Net 训练
nnUNet_train 3d_cascade_fullres nnUNetTrainerV2CascadeFullRes Task002_Heart 0  

  nnunetV2命令：

# 第一步：3D low resolution U-Net训练
nnUNetv2_train 002 3d_lowres 0 
# 第二步：3D full resolution U-Net 训练
nnUNetv2_train 002 3d_cascade_fullres 0

第四步，自动确定最佳配置：

  五折交叉验证跑完后，可以设置自动识别最适合数据的组合，–strict 参数代表即使配置不存在仍继续执行。

  nnunetV1命令：

nnUNet_find_best_configuration -m 2d 3d_fullres 3d_lowres 3d_cascade_fullres -t 002 --strict

  nnunetV2命令：

nnUNetv2_find_best_configuration 002 -c 2d 

第五步，模型测试：

  nnunetV1命令：

nnUNet_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -t TASK_NAME_OR_ID -m CONFIGURATION

  其中，INPUT_FOLDER 是测试数据集的路径，OUTPUT_FOLDER 为指定的输出文件夹，TASK_NAME_OR_ID 为任务 id 号，CONFIGURATION 代表所使用的 UNet 配置。

  nnunetV2命令：

nnUNetv2_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -d DATASET_NAME_OR_ID -c CONFIGURATION --save_probabilities

  交叉验证跑完可以采用以下命令：

nnUNetv2_predict -d Dataset002_Heart -i INPUT_FOLDER -o OUTPUT_FOLDER -f  0 1 2 3 4 -tr nnUNetTrainer -c 2d -p nnUNetPlans

第六步，后处理：

  这个好像只有V2版本有，因为运行完第五步后，V1版本没有提示可以后处理的命令：

  nnunetV2命令：

nnUNetv2_apply_postprocessing -i OUTPUT_FOLDER -o OUTPUT_FOLDER_PP -pp_pkl_file /mnt/data_2/qijingunet/nnUNet_trained_models/Dataset002_Heart/nnUNetTrainer__nnUNetPlans__2d/crossval_results_folds_0_1_2_3_4/postprocessing.pkl -np 8 -plans_json /mnt/data_2/qijingunet/nnUNet_trained_models/Dataset002_Heart/nnUNetTrainer__nnUNetPlans__2d/crossval_results_folds_0_1_2_3_4/plans.json

  其中OUTPUT_FOLDER为上一步的输出路径，OUTPUT_FOLDER_PP为重新指定的新路径。

---

PS：修改epoch

  nnunet默认训练1000个epoch，要是不想训练那么多怎么修改呢？

  nnunetV1：在下面路径的py文件中，修改self.max_num_epochs

anaconda3/envs/myMRI/lib/python3.8/site-packages/nnunet/training/network_training/nnUNetTrainerV2.py

  nnunetV2：在下面路径的py文件中，修改self.num_epochs

anaconda3/envs/myMRI/lib/python3.8/site-packages/nnunetv2/training/nnUNetTrainer/nnUNetTrainer.py

---

  其实，当自己一步步去做的时候，好像也不是很难~