nnUNet保姆级使用教程：从环境配置到训练与推理

一、安装nnUNet
安装nnUNet需要先安装Python和pip。确保你的Python版本是3.6以上。在命令行中输入以下命令来安装nnUNet：

1. 安装nnUNet

   pip install nnunet

2. 如果你想在本地修改nnUNet的源代码，可以选择第二种方案。在命令行中输入以下命令来安装nnUNet的集成框架：

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

   二、数据集准备
   nnUNet需要特定格式的数据集进行训练和推理。数据集应该包含多个医学图像，每个图像都有对应的标注。以下是准备数据集的步骤：
3. 创建数据集文件夹：在硬盘上创建一个文件夹，用于存放你的数据集。例如，你可以创建一个名为“data”的文件夹。
4. 创建子文件夹：在“data”文件夹中创建两个子文件夹，分别命名为“images”和“segmentations”。将所有的医学图像文件放入“images”文件夹中，将对应的标注文件放入“segmentations”文件夹中。确保每个图像的文件名和对应的标注文件名相同，只是扩展名不同。例如，如果你的医学图像文件名为“image1.jpg”，则对应的标注文件应该为“image1.nii.gz”。
5. 配置数据集路径：打开nnUNet的配置文件（通常位于项目根目录下的“nnunet”文件夹中），找到数据集路径设置，将数据集文件夹的路径添加到配置文件中。
   三、模型训练
   完成数据集准备后，可以开始训练模型了。在命令行中输入以下命令来训练模型：

   python -m nnunet.train_model -d /path/to/data/folder -o --folds 0

   其中，“-d”参数指定了数据集文件夹的路径，“-o”参数表示使用GPU进行训练，“—folds”参数表示使用的交叉验证折数。你可以根据实际情况调整这些参数。训练过程中，nnUNet会自动进行数据增强和模型优化等操作。训练完成后，会在项目根目录下生成一个名为“nnunet_model”的文件夹，其中包含了训练好的模型文件。
   四、模型推理
   完成模型训练后，可以使用训练好的模型进行推理。在命令行中输入以下命令来进行推理：

   python -m nnunet.predict -i /path/to/image.nii.gz -m /path/to/nnunet_model -o /path/to/output/folder --overwrite --save_softmax --save_res --save_npz --save_pred_mask --save_ensemble_png --save_prob_png --save_detailed_pngs --skip_之道processing_for_ensemble --skip_3d_deformation_for_ensemble --skip_2d_deformation_for_ensemble --skip_save_processed_image --skip_visualize_segmentation --skip_visualize_predictions --skip_save_pseudo_label --save_predictions_json

   其中，“-i”参数指定了要推理的医学图像文件的路径，“-m”参数指定了训练好的模型文件的路径，“-o”参数指定了输出结果的文件夹路径。这个命令将会生成一系列的文件，包括预测结果和可视化结果等。你可以根据实际需要调整命令中的参数来满足你的需求。