3DUnet for PyTorch

• 概述
• 准备训练环境
• 开始训练
• 训练结果展示
• 版本说明

概述

简述

UNet是完全对称的，且对解码器（应该自Hinton提出编码器、解码器的概念来，即将图像->高语义feature map的过程看成编码器，高语义->像素级别的分类score map的过程看作解码器）进行了加卷积加深处理。3DUnet将所有2D操作替换为3D对应物，该实现执行动态弹性变形，以便在训练期间实现高效的数据增强。

• 参考实现：

  url=https://github.com/black0017/MedicalZooPytorch
  commit_id=6c21e28643a56e0924aa3de77145950183633d6f
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/semantic_segmentation
  

准备训练环境

准备环境

• 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch 1.5	pillow==8.4.0
  PyTorch 1.8	pillow==9.1.0
  PyTorch 1.11	-
  PyTorch 2.1	-

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

  pip install -r 1.5_requirements.txt  # PyTorch1.5版本
  
  pip install -r 1.8_requirements.txt  # PyTorch1.8版本
  
  pip install -r 1.11_requirements.txt  # PyTorch1.11版本
  
  pip install -r 2.1_requirements.txt  # PyTorch2.1版本
  

  说明： 只需执行一条对应的PyTorch版本依赖安装命令。

准备数据集

1. 获取数据集。

   用户自行获取原始数据集MICCAI_BraTS_2018_Data，将数据集上传到服务器任意路径下并解压。

   数据集目录结构参考如下所示。

   ├── MICCAI_BraTS_2018_data
         ├──MICCAI_BraTS_2018_Data_Training
              ├──HGG
                    │──Brats18_2013_2_x
                    │──Brats18_2013_2_xx
                    │   ...       
              ├──LGG
                    │──Brats18_2013_0_x
                    │──Brats18_2013_0_xx
                    │   ...
              ├──survival_data.csv
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

   注意： 数据集目录结构需保持一致，若已含有generated目录和brats2018-list-train-samples-1024.txt/brats2018-list-val-samples-1024.txt文件，请删除，否则会影响模型精度，训练脚本中会自动生成该目录和文件。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称} 
   

2. 运行训练脚本。

   该模型支持单机单卡训练和单机8卡训练。

   • 单机单卡训练

     启动单卡训练。

     bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能
     

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度
     
     bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能
     

   --data_path参数填写数据集路径，需写到数据集的一级目录（示例：--data_path=/data/xxx/MICCAI_BraTS_2018_data）。

   模型训练脚本参数说明如下。

   公共参数：
   --data_path                         //数据集路径
   --workers                           //加载数据进程数
   --nEpochs                           //重复训练次数
   --batchSz                        	//训练批次大小
   --lr                                //初始学习率
   --amp                               //是否使用混合精度
   --device                            //设置设备类型
   

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 2 训练结果展示表

版本说明

变更

2023.03.21：更新readme，重新发布。

2020.07.08：首次发布。

FAQ

无。

公网地址说明

代码涉及公网地址参考 public_address_statement.md