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~
