作者提出一種nnUNet（no-new-Net）框架，基于原始的UNet（很小的修改），不去采用哪些新的結構，如相殘差連接、dense連接、注意力機制等花里胡哨的東西。相反的，把重心放在：預處理（resampling和normalization）、訓練（loss，optimizer設置、數據增廣）、推理（patch-based策略、test-time-augmentations集成和模型集成等）、后處理（如增強單連通域等）。

1. 環境搭建

操作系統：支持 Linux (ubuntu22.04)

GPU：RTX 4090D(24GB) 

Python版本：3.9 或更高版本

1.1. 安裝 PyTorch

注意：在正確安裝 PyTorch 之前，請勿直接使用"pip install nnunetv2"進行安裝。

---

按照PyTorchStart Locally | PyTorch官方網站的說明安裝 PyTorch。請安裝支持你硬件（CUDA、MPS、CPU）的最新版本。

使用Conda安裝：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

使用Pip安裝：

pip install torch torchvision torchaudio

自行編譯安裝：

為了獲得最快的速度，考慮自行編譯 PyTorch（需要一點技術含量……）pytorch/pytorch：Python 中的張量和動態神經網絡，具有強大的 GPU 加速

# 克隆 PyTorch 源代碼倉庫
git clone --recursive https://github.com/pytorch/pytorch
cd pytorch# 安裝編譯所需的依賴
# ...# 編譯并安裝 PyTorch
python setup.py install

1.2. 安裝 nnU-Net（根據你的使用場景）

安裝 nnU-Net 會在你的終端中添加幾個新命令（用于運行整個 nnU-Net 流水線）：

①所有 nnU-Net 命令都帶有"nnUNetv2_"前綴，便于識別。

②請注意，這些命令只是執行 Python 腳本。（pyproject.toml文件中的 project.scripts 寫明了執行的是哪些腳本/函數。）

[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"
# 使用指定模型文件夾中的模型對原始數據進行預測。
nnUNetv2_predict_from_modelfolder = "nnunetv2.inference.predict_from_raw_data:predict_entry_point_modelfolder"
# 對原始數據進行預測，生成分割結果。
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"
# 在交叉驗證結果中尋找最佳模型配置。
nnUNetv2_find_best_configuration = "nnunetv2.evaluation.find_best_configuration:find_best_configuration_entry_point"
# 確定后處理參數，例如去除連通組件。
nnUNetv2_determine_postprocessing = "nnunetv2.postprocessing.remove_connected_components:entry_point_determine_postprocessing_folder"
# 應用后處理步驟，例如去除預測結果中的小連通區域。
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 命令都有一個"-h"選項，用于提供如何使用它們的信息。

---

方法一

pip install nnunetv2

解釋：這是一種簡單直接的安裝方式，通過 pip 命令從 Python 包索引（通常是 PyPI）下載并安裝 nnUNetv2 包。這種方式安裝的是已經打包好的穩定版本，你可以直接使用其中提供的標準化基準、分割算法，或者利用預訓練模型進行推理任務。你無需關心代碼的具體實現細節，就像使用一個現成的工具一樣。

適用場景：如果你只是想快速使用 nnUNetv2 來完成一些分割任務，比如對一些醫學圖像進行分割，或者驗證某個數據集在 nnUNetv2 上的表現，而不需要對代碼進行修改和定制，那么這種安裝方式就很合適。

---

方法二 

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

cd nnUNet

pip install -e .

解釋：這種方式首先使用 git clone 命令從 GitHub 倉庫克隆 nnUNet 的源代碼到本地計算機，然后進入克隆下來的代碼目錄，最后使用 pip install -e . 命令進行安裝。其中，-e 選項表示以 “可編輯模式” 安裝，這意味著你對本地代碼所做的任何修改都會立即生效，無需重新安裝。通過這種方式，你可以在本地擁有一份完整的 nnUNet 代碼副本，方便你對代碼進行修改、調試和擴展。

適用場景：如果你希望深入學習 nnUNetv2 的算法原理，對代碼進行定制化開發，例如修改模型結構、調整訓練策略、添加新的功能等，那么這種安裝方式就更適合你。

---

這里使用第二種方式

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.

發現這就是一個下載源碼的指令……我之前還在官網下載了之后傳到autodl……多此一舉了。

root@autodl-container-7f114d8374-8fa873f5:~# cd nnUNet
root@autodl-container-7f114d8374-8fa873f5:~/nnUNet# pip install -e .……一些安裝顯示

先執行 bash 命令“cd nnUNet”，用于切換到名為 nnUNet 的目錄。（在執行 git clone 命令后，你需要進入下載的 nnUNet 代碼目錄，以便后續對該項目進行操作），再執行pip 命令

pip install -e .

-e 選項表示以 “可編輯模式”（也稱為開發模式）安裝項目。

. 表示當前目錄（即 nnUNet 目錄）。

這個命令的作用：

①會安裝 nnUNet 項目及其所有依賴項（對于包含 setup.py 或 pyproject.toml 的項目） 

又學到了一個配置項目環境的方法，但是前提是：項目是以 Python 編寫；項目遵循 Python 包的標準結構；項目里有 setup.py 或 pyproject.toml

②將項目安裝為可編輯模式（Editable Install），適合本地開發調試，安裝后對本地代碼所做的任何修改都會立即生效，而不需要重新安裝整個包。

---

1.3. 設置環境變量

nnU-Net 依靠環境變量來確定原始數據、預處理數據以及訓練好的模型權重的存儲位置。

要充分使用 nnU-Net 的全部功能，必須設置三個環境變量：

①nnUNet_raw：放置原始數據集的位置。

②nnUNet_preprocessed：這是保存預處理數據的文件夾。

③nnUNet_results：保存模型權重的位置。如果下載了預訓練模型，也會將其保存在這里。

---

設置環境變量分為永久設置和臨時設置，這里選擇永久設置。

在 Ubuntu 系統中，.bashrc 文件位于你的主目錄（即你的用戶目錄）下。它是一個隱藏文件&