标签：files kernel plans sizes edit nnunet per stage size
https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/tutorials/edit_plans_files.md
改变plans files 可以使得训练更灵活：您可以脱离nnU-Net的默认配置，使用不同的U-Net拓扑结构topologies、批量大小batch sizes和块大小patch sizes。请参照补充材料中的6.2章节，也就是第13页。
本教程的目标是演示如何阅读和修改计划文件plans files ，以及如何在实验中使用它们。这里使用的文件与Task120一起使用，需要您下载数据集，运行nnunet.dataset_convert.Task120_Massachusetts_RoadSegm.py，然后运行nnUNet_plan_and_preprocess。
注意，这个任务只是2D的，但我们在这里使用的相同原则可以很容易地扩展到3D和其他任务。
nnUNet_plan_and_preprocess的输出是这样的:
[{'batch_size': 2,
'num_pool_per_axis': [8, 8],
'patch_size': array([1280, 1024]),
'median_patient_size_in_voxels': array([ 1, 1500, 1500]),
'current_spacing': array([999., 1., 1.]),
'original_spacing': array([999., 1., 1.]),
'pool_op_kernel_sizes': [[2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2]],
'conv_kernel_sizes': [[3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3]],
'do_dummy_2D_data_aug': False}]这实际上也是计划文件plans file中键'plans_per_stage'下保存的内容。
对于这个任务，nnU-Net打算使用1280x1024的补丁大小patch size 和每个轴大小为8池化pooling操作的U-Net架构。由于GPU显存的限制，批处理的大小batch size只有2。
决定一个像素是否属于“road”，并不取决于大补丁大小 large patch size (和U-Net架构)所提供的大量上下文信息，而是可以使用更多本地信息local information，也就是与所谓的size没有决定性关系，只是和前景信息量有关。在具有800个训练数据的数据集中批次batch size=2进行训练意味着每个批次仅包含有限的变异性。因此，一个可能的结论是，小块smaller patches但大批量 larger batch sizes可能会有更好的分割结果。让我们来研究一下(使用相同的GPU显存约束，通过反复试验手动验证):
变体1：patch size 512x512, batch size 12，以下代码段对计划文件进行了必要的调整
from batchgenerators.utilities.file_and_folder_operations import *
import numpy as np
from nnunet.paths import preprocessing_output_dir
task_name = 'Task120_MassRoadsSeg'
# if it breaks upon loading the plans file, make sure to run the Task120 dataset conversion and
# nnUNet_plan_and_preprocess first!
plans_fname = join(preprocessing_output_dir, task_name, 'nnUNetPlansv2.1_plans_2D.pkl')
plans = load_pickle(plans_fname)#加载失败了，要确定文件已经生成了
plans['plans_per_stage'][0]['batch_size'] = 12
plans['plans_per_stage'][0]['patch_size'] = np.array((512, 512))
plans['plans_per_stage'][0]['num_pool_per_axis'] = [7, 7]#池化层数改变了，相应的卷积核和池化核个数也要改变
# because we changed the num_pool_per_axis, we need to change conv_kernel_sizes and pool_op_kernel_sizes as well!
plans['plans_per_stage'][0]['pool_op_kernel_sizes'] = [[2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2]]
plans['plans_per_stage'][0]['conv_kernel_sizes'] = [[3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3]]
# for a network with num_pool_per_axis [7,7] the correct length of pool kernel sizes is 7 and the length of conv
# kernel sizes is 8! Note that you can also change these numbers if you believe it makes sense. A pool kernel size
# of 1 will result in no pooling along that axis, a kernel size of 3 will reduce the size of the feature map
# representations by factor 3 instead of 2.
#如果池化核某一个轴为1，表示不进行池化，如果池化核大小是3，表示feature map大小就会缩小3倍
# save the plans under a new plans name. Note that the new plans file must end with _plans_2D.pkl!
save_pickle(plans, join(preprocessing_output_dir, task_name, 'nnUNetPlansv2.1_ps512_bs12_plans_2D.pkl'))#保存的plans file必须以_plans_2D.pkl结尾变体2：patch size 256x256, batch size 60
from batchgenerators.utilities.file_and_folder_operations import *
import numpy as np
from nnunet.paths import preprocessing_output_dir
task_name = 'Task120_MassRoadsSeg'
plans_fname = join(preprocessing_output_dir, task_name, 'nnUNetPlansv2.1_plans_2D.pkl')
plans = load_pickle(plans_fname)
plans['plans_per_stage'][0]['batch_size'] = 60
plans['plans_per_stage'][0]['patch_size'] = np.array((256, 256))
plans['plans_per_stage'][0]['num_pool_per_axis'] = [6, 6]
plans['plans_per_stage'][0]['pool_op_kernel_sizes'] = [[2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2]]
plans['plans_per_stage'][0]['conv_kernel_sizes'] = [[3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3]]
save_pickle(plans, join(preprocessing_output_dir, task_name, 'nnUNetPlansv2.1_ps256_bs60_plans_2D.pkl'))您现在可以使用这些自定义计划文件plans files 来训练网络，并比较结果!记住，所有nnUNet_*命令都有-h参数来显示它们的参数。nnUNet_train通过-p参数支持自定义计划custom plans。自定义计划必须是前缀，也就是除了'_plans_2 .pkl'之外的所有内容:
变体1：
nnUNet_train 2d nnUNetTrainerV2 120 FOLD -p nnUNetPlansv2.1_ps512_bs12
变体2：
nnUNet_train 2d nnUNetTrainerV2 120 FOLD -p nnUNetPlansv2.1_ps256_bs60
让所有5 folds 运行每个计划文件 plans file(原始和两种变体)。为了比较结果，您可以使用nnUNet_determine_postprocessing来获得必要的度量，例如：
nnUNet_determine_postprocessing -t 120 -tr nnUNetTrainerV2 -p nnUNetPlansv2.1_ps512_bs12 -m 2d
这将在训练输出目录中创建一个cv_niftis_raw和cv_niftis_postprocessed子文件夹。在每个文件夹中都有一个summary.json文件，你可以用一个普通的文本编辑器打开。在这个文件中，每个训练示例的数据集中都有表示5-fold cross-validation的metrics。在文件的最底部，通过平均(字段“mean”)来汇总metrics，这是您应该用来进行实验比较的东西。作者建议使用不经过后期处理的summary.json(位于cv_niftis_raw中)，因为后处理实际上可能会在训练集上过拟合。以下是我获得的结果:
Vanilla nnU-Net: 0.7720
Variant 1: 0.7724
Variant 2: 0.7734结果是非常相似的，作者并不认为在Dice上这么小的改进就是一个重要的结果。尽管如此，还是值得一试:-)
尽管有这里显示的结果，但作者想强调的是，修改plans文件是一个非常强大的工具，可以提高nnU-Net在某些数据集上的性能。不试一试，你永远不会知道。
ADDITIONAL INFORMATION (READ THIS!
- 当使用3d plans(' nnunetplansv2.1 1_plans_3d .pkl')时，3d_lowres和3d_fullres阶段将被编码在同一个计划文件plans file中。如果len(plans['plans_per_stage']) == 2，则[0]是3d_lowres，[1]是3d_fullres变体。如果len(plans['plans_per_stage']) == 1，那么[0]将是3d_fullres和3d_cascade_fullres(它们使用相同的计划)。
- ‘pool_op_kernel_sizes’和‘patch_size’一起决定瓶颈bottleneck处的特征映射表示 feature map representations的大小。对于这里给出的Variant 1和2,feature map表示的大小为
print(plans['plans_per_stage'][0]['patch_size'] / np.prod(plans['plans_per_stage'][0]['pool_op_kernel_sizes'], 0)) [4., 4.]如果您在此处看到非整数，则您的模型将崩溃！确保它们始终是整数！ nnU-Net永远不会制造出比4个小的bottlenecks！
- 不要更改计划文件中的'current_spacing' !这将不能正常工作。要改变目标间距，请看自定义间距教程。
标签：files,kernel,plans,sizes,edit,nnunet,per,stage,size 来源： https://blog.csdn.net/fanre/article/details/115376227
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。