影院网站建设开鲁视频

在 Windows 系统下设置环境变量

之前训练和推理的时候开着AutoDL的服务器，是在 Linux 系统下设置的环境变量。

但是现在开始研究具体代码了，就在本地跑（一直开着服务器有点费钱），所以就在Windows 系统下设置环境变量。

---

①右键点击 “此电脑”，选择 “属性”。

②在左侧导航栏中，点击 “高级系统设置”。

③在弹出的 “系统属性” 窗口中，点击 “环境变量” 按钮。

④在 “系统变量” 部分，点击 “新建” 按钮，分别创建 nnUNet_raw、nnUNet_preprocessed 和 nnUNet_results 三个环境变量，并设置相应的路径。

⑤点击 “确定” 保存设置。

🎀inference

之前复现的时候不是安装了nnUnet嘛，安装 nnU-Net 会在我的终端中添加几个新命令，用于运行整个 nnU-Net 流水线。

这些添加的命令在执行的时候本质只是执行 Python 脚本。（pyproject.toml文件中的 project.scripts 写明了执行的是哪些脚本/函数。）

nnUNetv2_predict_from_modelfolder = "nnunetv2.inference.predict_from_raw_data:predict_entry_point_modelfolder"

nnUNetv2_predict = "nnunetv2.inference.predict_from_raw_data:predict_entry_point"

 这两个命令 nnUNetv2_predict_from_modelfolder 和 nnUNetv2_predict 都是用于运行 nnU-Net 推理（预测）的命令，但它们在使用场景和参数上有所不同。

当你已经有一个训练好的模型文件夹“autodl-tmp/nnUNet_results/Dataset201_BrainTumour”，并且想要手动指定该文件夹路径来进行推理时使用nnUNetv2_predict_from_modelfolder

---

当你想要根据数据集名称或 ID 来指定nnUNet_results中的模型进行推理时使用nnUNetv2_predict，这个命令用于它会自动从环境变量指定的nnUNet_results中找到相应的模型。

参数:

• -i: 输入文件夹路径，包含待预测的图像文件。

• -o: 输出文件夹路径，预测结果将保存到这里。

• -d: 数据集名称或 ID，指定你要预测的数据集。

• -p: 计划标识符（plans identifier），默认是 nnUNetPlans。

• -tr: 训练器类名称，默认是 nnUNetTrainer。

• -c: 配置名称，指定用于预测的配置。

• -f: 指定用于预测的折叠（folds），默认是 (0, 1, 2, 3, 4)。

• -step_size: 滑动窗口预测的步长，默认是 0.5。

• --disable_tta: 禁用测试时数据增强（如镜像），默认是启用的。

• --save_probabilities: 保存预测的概率图，默认不保存。

• -chk: 指定使用的检查点文件名，默认是 checkpoint_final.pth。

• -npp: 预处理使用的进程数，默认是 3。

• -nps: 分割导出使用的进程数，默认是 3。

• -prev_stage_predictions: 如果使用级联模型，指定前一阶段的预测结果文件夹。

• -num_parts: 指定预测任务的分割数，默认是 1。

• -part_id: 指定当前预测任务的 ID，默认是 0。

• -device: 指定推理设备（cuda, cpu, mps），默认是 cuda。

由于之前已经设置了三个环境变量，训练结果也已经放在了“autodl-tmp/nnUNet_results”，而且之前推理使用的也是nnUNetv2_predict，所以重点研究predict_from_raw_data.py中的predict_entry_point函数

🧸predict_entry_point

def predict_entry_point():# 导入argparse模块，用于解析命令行参数import argparse# 创建一个ArgumentParser对象，用于解析命令行参数parser = argparse.ArgumentParser(description='Use this to run inference with nnU-Net. This function is used when ''you want to manually specify a folder containing a trained nnU-Net ''model. This is useful when the nnunet environment variables ''(nnUNet_results) are not set.')# 添加命令行参数# -i表示输入文件夹parser.add_argument('-i', type=str, required=True,help='input folder. Remember to use the correct channel numberings for your files (_0000 etc). ''File endings must be the same as the training dataset!')# -o表示输出文件夹parser.add_argument('-o', type=str, required=True,help='Output folder. If it does not exist it will be created. Predicted segmentations will ''have the same name as their source images.')# -d表示数据集名称或 ID，指定你要预测的数据集。arser.add_argument('-d', type=str, required=True,help='Dataset with which you would like to predict. You can specify either dataset name or id')# -p表示plans标识符parser.add_argument('-p', type=str, required=False, default='nnUNetPlans',help='Plans identifier. Specify the plans in which the desired configuration is located. ''Default: nnUNetPlans')# -tr表示训练器类parser.add_argument('-tr', type=str, required=False, default='nnUNetTrainer',help='What nnU-Net trainer class was used for training? Default: nnUNetTrainer')# -c表示配置parser.add_argument('-c', type=str, required=Tru