1. 环境准备:从零搭建MedSAM开发环境
第一次接触医疗影像分割项目时,我完全低估了环境配置的复杂性。记得当时为了完成CVPR2024医疗影像分割赛题的课程作业,我选择了MedSAM作为baseline模型。这个决定让我在环境配置环节就踩了不少坑,现在把这些经验分享给大家。
创建conda环境是第一步,但这里有个小技巧:不要直接用默认的python版本。我最初使用python=3.8创建环境,结果在后续步骤中遇到了各种依赖冲突。后来发现MedSAM对python 3.10的支持最稳定,命令如下:
bash复制conda create -n MEDSAM python=3.10 -y
conda activate MEDSAM
安装PyTorch时最容易遇到版本问题。官方文档通常建议用pip install torch,但这会安装最新版,可能与项目不兼容。我的经验是明确指定版本号:
bash复制pip3 install torch==2.1.2 torchvision==0.16.2
克隆项目仓库时,很多人会忽略分支选择。MedSAM有多个分支,我最初直接克隆主分支,结果发现代码结构完全不同。正确的做法是指定LiteMedSAM分支:
bash复制git clone -b LiteMedSAM https://github.com/bowang-lab/MedSAM/
安装项目依赖时,我遇到了经典的依赖冲突问题。错误提示中提到的rosdep、rospkg等包看起来与项目无关,实际上是因为我之前做过机器人项目,环境残留了ROS相关包。解决方法是用--no-deps参数跳过依赖解析:
bash复制pip3 install -e . --no-deps
提示:如果遇到磁盘空间不足的问题,可以先清理conda缓存:
conda clean --all
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. 数据准备:医疗影像处理的特殊挑战
医疗影像数据与普通CV数据集有很大不同。我最初以为下载完数据就能直接用,结果发现需要经过复杂的预处理流程。
数据集下载后,文件结构应该是这样的:
code复制MedSAM/
└── data/
├── FLARE22Train/
│ ├── images/
