全网都在用的nnUNet V2版本改进了啥，怎么安装？（一）

nnUNet，这个医学领域的分割巨无霸!在论文和比赛中随处可见他的身影。大家对于nnUNet v1版本的教程都赞不绝口，因为它简单易懂、详细全面，让很多朋友都轻松掌握了使用方法。

最近，我也抽出时间仔细研究了nnUNet v2，并全程走过一遍流程。我努力将使用教程变得更加通俗易懂，希望能提高大家的学习效率。如果你正在进行分割任务，或者还没有尝试过nnUNet v2，那么现在是时候跟着我一起学习啦！

我们将一步步解析nnUNet v2的改进之处和操作步骤，用简洁明快的语言让你轻松理解。无论你是医学专业背景还是计算机科学领域的新手，都能够轻松上手，掌握这个强大的工具。

内容稍长，我把它分为三个章节，拆解难点

nnUNet v2的不同之处，安装以及环境变量设置（这次内容）
nnUNet v2的数据准备（下一篇）
nnUNet v2的训练及推理（下下篇）

nnUNet v2版本与V1版有什么不同？

支持层次标签 'hierarchical labels'（在nnUNet中称为 'regions'）。例如，在 BraTS 这个数据集中，给定的 label 是“水肿”、“坏死”和“增强肿瘤”。但是对于临床应用而言，他们关注的不是这三个 label，而是整个肿瘤、肿瘤核心和增强肿瘤。那么，这里的整个肿瘤就是水肿+坏死+增强肿瘤; 肿瘤核心是坏死+增强肿瘤。如果想按临床的这个进行分割，他的 label 是有重叠的。如下图： [图片上传失败...(image-d4afac-1693736127587)]

适用于某些有重叠任务的分割，具体详见 github^[1]
支持跨平台， Cuda, mps (Apple M1/M2) and CPU
支持更多的输入/输出数据格式。
通过基于 BaseReaderWriter 实现新的适配器，可以扩展I/O格式。
nnUNet_raw_cropped 文件夹不再存在，这样可以节省磁盘空间，而且没有性能损失
在解压缩时，预处理数据和分割结果存储在不同的文件中。分割结果以int8的格式存储，因此每个像素占用的磁盘空间（和I/O吞吐量）只有v1版本的四分之一。
原生支持多GPU（DDP）训练。但是，多GPU推断仍然需要使用 CUDA_VISIBLE_DEVICES=X nnUNetv2_predict [...] -num_parts Y -part_id X 来运行。在推断过程中，没有跨GPU的通信，所以增加DDP会增加额外的复杂性是没有意义的。
所有nnU-Net的功能现在也可以通过API进行访问。请查看 setup.py 中对应的入口点，以了解需要调用哪些函数。
数据集指纹现在明确地创建并保存在一个json文件中（参见nnUNet_preprocessed文件夹）。

其实大改动不多，如果你只是一个初级用户，很多改进功能根本用不到。

如何安装

虽然官方说 nnunet 的两个版本可以同时使用，但我还是建议将两个版本分开，放在不同的虚拟环境中。

安装需求

操作系统：nnU-Net 已在 Linux（Ubuntu 18.04、20.04、22.04；centOS、RHEL）、Windows 和 MacOS 上进行了测试！它应该开箱即用！
硬件要求：GPU（推荐）、CPU 和 Apple M1/M2 作为设备（目前 Apple mps 不实现 3D 卷积，因此您可能必须在这些设备上使用 CPU）。
Python 3.9 或更高版本在第一版本中，nnunet v1 安装教程^[2]介绍了如何在虚拟环境中安装 nnUNet，但是略显复杂。这一次直接用 conda 安装

安装步骤

首先新建一个 conda 环境，命名为 nnunet2(名字由你决定)

激活该环境，并安装 nnunetv2

设置环境变量/路径

nnU-Net 依靠环境变量来了解原始数据、预处理数据和训练模型权重的存储位置。要使用 nnU-Net 的完整功能，必须设置以下三个环境变量：

V1，v2 版本中路径有所不同。如果你已经装了 V1 版本，那么 V2 版本的路径最好和 V1不同，以防打架。

具体地，V2 应该包含以下三个路径：

nnUNet_raw：这是放置原始数据集的地方。该文件夹将为每个数据集名称创建一个子文件夹 DatasetXXX_YYY，其中 XXX 是 3 位标识符（例如 001、002、043、999...），YYY 是（唯一）数据集名称。数据集必须采用 nnU-Net 格式

树结构示例：

<pre class="custom" style="margin-top: 10px; margin-bottom: 10px; border-radius: 5px; box-shadow: rgba(0, 0, 0, 0.55) 0px 2px 10px; text-align: left;">nnUNet_raw/Dataset001_NAME1 ├── dataset.json ├── imagesTr │ ├── ... ├── imagesTs │ ├── ... └── labelsTr ├── ... nnUNet_raw/Dataset002_NAME2 ├── dataset.json ├── imagesTr │ ├── ... ├── imagesTs │ ├── ... └── labelsTr ├── ... </pre>
nnUNet_preprocessed：这是保存预处理数据的文件夹。数据也将从中读取训练期间使用此文件夹。重要的是，该文件夹位于访问延迟低且高的驱动器上吞吐量
nnUNet_results：指定 nnU-Net 保存模型权重的位置。如果下载了预训练模型，则此就是保存他们的地方。

V1 版本的路径设置见之前的文章：给出了永久设置环境变量的方法 nnU-Net v1 如何安装--傻瓜式安装教程^[3]

注意：如果设置永久变量的话，V1和V2版本都安装了的话，其实有一个文件夹命名是相同的（nnUNet_preprocessed），那你调用的时候就分不清 V1和V2的文件夹了。

这里，再给一种更方便的临时路径设置办法

step1: 创建一个 setPath.sh 文件，里面包含如下内容，

<pre class="custom" data-tool="mdnice编辑器" style="margin-top: 10px; margin-bottom: 10px; border-radius: 5px; box-shadow: rgba(0, 0, 0, 0.55) 0px 2px 10px; text-align: left;">#!/bin/bash export nnUNet_raw="/media/nunet2_folder/nnUNet_raw" export nnUNet_preprocessed="/media/nnunet2_folder/nnUNet_preprocessed" export nnUNet_results="/media/nnunet2_folder/nnUNet_results" </pre>

tips：怎么创建一个setPath.sh文件要创建一个名为"setPath.sh"的文件，你可以按照以下步骤进行操作：

打开一个文本编辑器，例如记事本或者终端上的文本编辑器。
创建一个新的空白文件。
在文件中输入上述内容
保存并关闭文件。

当然，前提是，你要手动创建这个三个文件夹，再把地址告诉环境变量

step2：每次运行 nnunetv2 之前运行一下此文件

step3: 检验是否起效

如果返回的是我们设置的地址，则起效

V1和V2路径对比如下 [图片上传失败...(image-40951-1693736127588)]

好了，炼丹炉已就位。带上你的数据，下一篇进行数据预处理。

[图片上传失败...(image-66e115-1693736127588)]

参考资料

[1]

层次标签: https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/region_based_training.md [2]

nnunet v1 安装教程: https://blog.csdn.net/u014264373/article/details/117126627 [3]

nnU-Net v1 如何安装--傻瓜式安装教程: https://blog.csdn.net/u014264373/article/details/117126627