1. 环境准备与AutoDL平台配置
在AutoDL云平台上部署nnUNet V2的第一步是搭建合适的环境。我推荐选择Ubuntu 20.04镜像,配合NVIDIA驱动版本≥470的GPU实例。具体操作中需要注意几个关键点:
-
GPU选择策略:对于3D医学图像分割,显存容量比核心数更重要。实测发现:
- KiTS19肾脏肿瘤数据集(3D CT)在RTX 3090(24GB)上batch_size可设4
- LiTS17肝脏数据集需要RTX 4090(24GB)才能流畅运行全分辨率模型
-
存储配置技巧:
bash复制# 将数据集放在/root/autodl-tmp(高速SSD) ln -s /root/autodl-tmp /dataset # 模型输出指向/root/autodl-fs(持久化存储) mkdir -p /root/autodl-fs/nnUNet_results -
Python环境快速搭建:
bash复制
conda create -n nnunet python=3.9 conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia
提示:AutoDL的JupyterLab终端默认会保持会话状态,但建议用
tmux管理长时间训练任务:bash复制tmux new -s nnunet_train # 按Ctrl+B D退出会话 tmux attach -t nnunet_train # 恢复会话
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. nnUNet V2安装与验证
安装nnUNet V2时最容易踩坑的是路径配置问题。这里分享我的验证方法:
bash复制git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
安装后必须设置三个关键环
