作者提出一种nnUNet（no-new-Net）框架，基于原始的UNet（很小的修改），不去采用哪些新的结构，如相残差连接、dense连接、注意力机制等花里胡哨的东西。相反的，把重心放在：预处理（resampling和normalization）、训练（loss，optimizer设置、数据增广）、推理（patch-based策略、test-time-augmentations集成和模型集成等）、后处理（如增强单连通域等）。

1. 环境搭建

操作系统：支持 Linux (ubuntu22.04)

GPU：RTX 4090D(24GB) 

Python版本：3.9 或更高版本

1.1. 安装 PyTorch

注意：在正确安装 PyTorch 之前，请勿直接使用"pip install nnunetv2"进行安装。

---

按照PyTorchStart Locally | PyTorch官方网站的说明安装 PyTorch。请安装支持你硬件（CUDA、MPS、CPU）的最新版本。

使用Conda安装：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

使用Pip安装：

pip install torch torchvision torchaudio

自行编译安装：

为了获得最快的速度，考虑自行编译 PyTorch（需要一点技术含量……）pytorch/pytorch：Python 中的张量和动态神经网络，具有强大的 GPU 加速

# 克隆 PyTorch 源代码仓库
git clone --recursive https://github.com/pytorch/pytorch
cd pytorch# 安装编译所需的依赖
# ...# 编译并安装 PyTorch
python setup.py install

1.2. 安装 nnU-Net（根据你的使用场景）

安装 nnU-Net 会在你的终端中添加几个新命令（用于运行整个 nnU-Net 流水线）：

①所有 nnU-Net 命令都带有"nnUNetv2_"前缀，便于识别。

②请注意，这些命令只是执行 Python 脚本。（pyproject.toml文件中的 project.scripts 写明了执行的是哪些脚本/函数。）

[project.scripts]
nnUNetv2_plan_and_preprocess = "nnunetv2.experiment_planning.plan_and_preprocess_entrypoints:plan_and_preprocess_entry"
nnUNetv2_extract_fingerprint = "nnunetv2.experiment_planning.plan_and_preprocess_entrypoints:extract_fingerprint_entry"
nnUNetv2_plan_experiment = "nnunetv2.experiment_planning.plan_and_preprocess_entrypoints:plan_experiment_entry"
nnUNetv2_preprocess = "nnunetv2.experiment_planning.plan_and_preprocess_entrypoints:preprocess_entry"
nnUNetv2_train = "nnunetv2.run.run_training:run_training_entry"
# 使用指定模型文件夹中的模型对原始数据进行预测。
nnUNetv2_predict_from_modelfolder = "nnunetv2.inference.predict_from_raw_data:predict_entry_point_modelfolder"
# 对原始数据进行预测，生成分割结果。
nnUNetv2_predict = "nnunetv2.inference.predict_from_raw_data:predict_entry_point"
nnUNetv2_convert_old_nnUNet_dataset = "nnunetv2.dataset_conversion.convert_raw_dataset_from_old_nnunet_format:convert_entry_point"
# 在交叉验证结果中寻找最佳模型配置。
nnUNetv2_find_best_configuration = "nnunetv2.evaluation.find_best_configuration:find_best_configuration_entry_point"
# 确定后处理参数，例如去除连通组件。
nnUNetv2_determine_postprocessing = "nnunetv2.postprocessing.remove_connected_components:entry_point_determine_postprocessing_folder"
# 应用后处理步骤，例如去除预测结果中的小连通区域。
nnUNetv2_apply_postprocessing = "nnunetv2.postprocessing.remove_connected_components:entry_point_apply_postprocessing"
nnUNetv2_ensemble = "nnunetv2.ensembling.ensemble:entry_point_ensemble_folders"
nnUNetv2_accumulate_crossval_results = "nnunetv2.evaluation.find_best_configuration:accumulate_crossval_results_entry_point"
nnUNetv2_plot_overlay_pngs = "nnunetv2.utilities.overlay_plots:entry_point_generate_overlay"
nnUNetv2_download_pretrained_model_by_url = "nnunetv2.model_sharing.entry_points:download_by_url"
nnUNetv2_install_pretrained_model_from_zip = "nnunetv2.model_sharing.entry_points:install_from_zip_entry_point"
nnUNetv2_export_model_to_zip = "nnunetv2.model_sharing.entry_points:export_pretrained_model_entry"
nnUNetv2_move_plans_between_datasets = "nnunetv2.experiment_planning.plans_for_pretraining.move_plans_between_datasets:entry_point_move_plans_between_datasets"
nnUNetv2_evaluate_folder = "nnunetv2.evaluation.evaluate_predictions:evaluate_folder_entry_point"
nnUNetv2_evaluate_simple = "nnunetv2.evaluation.evaluate_predictions:evaluate_simple_entry_point"
nnUNetv2_convert_MSD_dataset = "nnunetv2.dataset_conversion.convert_MSD_dataset:entry_point"

③所有 nnU-Net 命令都有一个"-h"选项，用于提供如何使用它们的信息。

---

方法一

pip install nnunetv2

解释：这是一种简单直接的安装方式，通过 pip 命令从 Python 包索引（通常是 PyPI）下载并安装 nnUNetv2 包。这种方式安装的是已经打包好的稳定版本，你可以直接使用其中提供的标准化基准、分割算法，或者利用预训练模型进行推理任务。你无需关心代码的具体实现细节，就像使用一个现成的工具一样。

适用场景：如果你只是想快速使用 nnUNetv2 来完成一些分割任务，比如对一些医学图像进行分割，或者验证某个数据集在 nnUNetv2 上的表现，而不需要对代码进行修改和定制，那么这种安装方式就很合适。

---

方法二 

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

cd nnUNet

pip install -e .

解释：这种方式首先使用 git clone 命令从 GitHub 仓库克隆 nnUNet 的源代码到本地计算机，然后进入克隆下来的代码目录，最后使用 pip install -e . 命令进行安装。其中，-e 选项表示以 “可编辑模式” 安装，这意味着你对本地代码所做的任何修改都会立即生效，无需重新安装。通过这种方式，你可以在本地拥有一份完整的 nnUNet 代码副本，方便你对代码进行修改、调试和扩展。

适用场景：如果你希望深入学习 nnUNetv2 的算法原理，对代码进行定制化开发，例如修改模型结构、调整训练策略、添加新的功能等，那么这种安装方式就更适合你。

---

这里使用第二种方式

root@autodl-container-7f114d8374-8fa873f5:~# git clone https://github.com/MIC-DKFZ/nnUNet.git
Cloning into 'nnUNet'...
remote: Enumerating objects: 13663, done.
remote: Counting objects: 100% (890/890), done.
remote: Compressing objects: 100% (347/347), done.
remote: Total 13663 (delta 635), reused 747 (delta 543), pack-reused 12773 (from 3)
Receiving objects: 100% (13663/13663), 7.96 MiB | 9.36 MiB/s, done.
Resolving deltas: 100% (10404/10404), done.

发现这就是一个下载源码的指令……我之前还在官网下载了之后传到autodl……多此一举了。

root@autodl-container-7f114d8374-8fa873f5:~# cd nnUNet
root@autodl-container-7f114d8374-8fa873f5:~/nnUNet# pip install -e .……一些安装显示

先执行 bash 命令“cd nnUNet”，用于切换到名为 nnUNet 的目录。（在执行 git clone 命令后，你需要进入下载的 nnUNet 代码目录，以便后续对该项目进行操作），再执行pip 命令

pip install -e .

-e 选项表示以 “可编辑模式”（也称为开发模式）安装项目。

. 表示当前目录（即 nnUNet 目录）。

这个命令的作用：

①会安装 nnUNet 项目及其所有依赖项（对于包含 setup.py 或 pyproject.toml 的项目） 

又学到了一个配置项目环境的方法，但是前提是：项目是以 Python 编写；项目遵循 Python 包的标准结构；项目里有 setup.py 或 pyproject.toml

②将项目安装为可编辑模式（Editable Install），适合本地开发调试，安装后对本地代码所做的任何修改都会立即生效，而不需要重新安装整个包。

---

1.3. 设置环境变量

nnU-Net 依靠环境变量来确定原始数据、预处理数据以及训练好的模型权重的存储位置。

要充分使用 nnU-Net 的全部功能，必须设置三个环境变量：

①nnUNet_raw：放置原始数据集的位置。

②nnUNet_preprocessed：这是保存预处理数据的文件夹。

③nnUNet_results：保存模型权重的位置。如果下载了预训练模型，也会将其保存在这里。

---

设置环境变量分为永久设置和临时设置，这里选择永久设置。

在 Ubuntu 系统中，.bashrc 文件位于你的主目录（即你的用户目录）下。它是一个隐藏文件&