简介nnUnet 是面向医学图像分割任务的主流深度学习框架但在 Windows 下部署需自行处理大量编译与依赖问题。压缩包面向 Windows 用户提供了可直接运行的 nnUnet 编译版本已提前完成路径修正、依赖适配等兼容性调整适合希望绕过环境配置、直接开展 CT/MRI 图像分割实验的研究者与开发者。包内共 3 个文件含 2 个 zip 与 1 个 Python 脚本整体仅 1.16MBzip 覆盖 nnUnet 主项目及 apex 混合精度加速组件Python 脚本负责生成 nnUnet 所需的 Json 数据配置文件可辅助快速完成数据预处理与元信息设定包括图像尺寸、模态标签等关键参数。已有 1222 人浏览学习。通过这份资源用户可以免去源码编译与排障环节在 Windows 上快速搭建分割环境利用 GPU 混合精度加速训练将更多精力投入到数据准备、模型调优与医学影像分析研究中。1. nnU-Net 在 Windows 上的真实门槛不是装不上是跑不顺nnU-Net 在医学影像分割里算事实标准价值在于它的自配置设计给定数据集它自动决定重采样、归一化、U-Net 结构和训练时长不用逐项调参。Windows 用户从 nnUnet_windows.rar 这种打包版入手时最常见的卡点反而不是网络本身环境装完训练一启动就报显存不足或者预处理阶段路径读不出来。追根溯源问题都出在 CUDA 匹配、路径长度和多进程模型这三处。下面按我平时排查的顺序把环境、数据、训练预测和报错对照分别讲清楚适合用 Windows 工作站做 MRI/CT 分割验证的人。2. 环境准备三件套Miniconda、CUDA 匹配和 nnU-Net 环境变量解压 nnUnet_windows.rar 后这类打包里通常只是一些 .bat 脚本和说明文档真正的依赖仍然要从 PyPI 和 PyTorch 官方源拉。每台机器的显卡驱动、Python 版本都不一样直接双击脚本的成功率很低。我拿到这类包只看说明环境一律自己重建原因在后面三个小节的坑里都能对上。2.1 用 Miniconda 建独立环境先治脚本闪退Windows 上最典型的翻车现场双击 start.bat 黑窗口一闪而过什么都看不到误以为包是坏的。闪退的真实原因多半是 PATH 里的 python 指向系统自带版本或 Microsoft Store 的别名脚本里 import 的模块一个都没有解释器直接退出。装 Minicondawin 版就是为了把解释器和依赖隔离出来conda create -n nnunet python3.10 -y conda activate nnunet pip install nnunetv2网络慢的话先执行pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple再装。注意包名是nnunetv2这是 v2 的 pip 包v1 的包名是nnunet安装后指令和环境变量完全不同。装错版本时最常见的症状是nnUNetv2_train命令找不到然后误以为 PATH 没配好实际是包就装错了。闪退脚本的诊断方式也统一不要双击改用 Anaconda Prompt 手动执行报错才能留在屏幕上这是排查一切 Windows 脚本问题的起点。2.2 用 nvidia-smi 判断 CUDA 上限再选 PyTorch 轮子PyTorch 的 CPU 版很容易装但跑不了训练这个问题通常出在驱动匹配上。驱动下载页上的版本号比如 472.12-desktop-win10-win11-64b只代表安装包版本机器实际状态要看 nvidia-sminvidia-smi输出右上角有一行 CUDA Version比如 11.4 或 12.4这个数字才是驱动能支持的最大 CUDA 运行时版本。PyTorch 的安装轮子用 cu 前缀标注编译时的 CUDA 版本原则是驱动支持上限大于等于轮子的 CUDA 版本即可按这个表对照nvidia-smi 显示PyTorch 轮子说明CUDA 11.xcu111 / cu113 / cu118老卡优先 cu118CUDA 12.xcu121 / cu124新驱动直接 cu121无输出不装 nnU-Net先装 NVIDIA 驱动对应安装命令pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118nvidia-smi 没有输出的情况先去设备管理器确认显卡驱动是否加载不要直接装 PyTorch否则后面所有 CUDA 报错都会指向错误方向。也有人在 Windows 上尝试用 docker 容器固定环境但 GPU 透传在 Windows 容器下依赖 NVIDIA Container Toolkit支持并不完整绕一圈还是本地 conda 环境最实际。2.3 设置 nnUNet_raw 等三个环境变量并验证 torchnnU-Net v2 用三个环境变量定位数据、预处理结果和训练结果漏一个就会在预处理或训练阶段报找不到路径。cmd 和 PowerShell 写法不同set nnUNet_rawD:\nnunet_data\nnUNet_raw set nnUNet_preprocessedD:\nnunet_data\nnUNet_preprocessed set nnUNet_resultsD:\nnunet_data\nnUNet_results$env:nnUNet_rawD:\nnunet_data\nnUNet_raw $env:nnUNet_preprocessedD:\nnunet_data\nnUNet_preprocessed $env:nnUNet_resultsD:\nnunet_data\nnUNet_results三个根目录建议都先手动建好nnU-Net 只会补建内部的数据集子目录家长目录不存在时直接报 FileNotFoundError。环境变量只在当前终端生效关掉就没了写一个 set_env.bat 每次跑任务前执行。如果你装了 Windows 子系统WSL2也可以把训练挪到 Ubuntu 里跑数据放在 ext4 文件系统内路径长度和 spawn 多进程问题基本消失代价是 /mnt 共享目录读写慢所以代码放 Windows 侧、数据放 WSL 内部比较合适。验证环境python -c import torch; print(torch.__version__, torch.cuda.is_available()) nnUNetv2_plan_and_preprocess -h第一行输出里 torch.cuda.is_available() 为 True 说明 CUDA 链路通了第二行能打印帮助说明指令在 PATH 里。出现 module not found 时用where python看解释器路径是否指向 conda 环境。3. nnU-Net 数据整理与预处理dataset.json 必填字段和 Windows 路径问题nnU-Net 要求数据先转换成分层的目录结构再由 plan_and_preprocess 统一做重采样和归一化。这个阶段在 Windows 上最容易翻车的是路径过长和并行进程数太高跟算法本身没关系。3.1 nnU-Net 数据集目录结构Dataset001_MySeg 与 imagesTr/labelsTr在 nnUNet_raw 下每个数据集占一个一级目录命名必须是 Dataset 加三位数字加下划线加名字比如 Dataset001_MySeg编号范围 001 到 999。内部固定放三个子目录和一份 dataset.jsonnnUNet_raw\Dataset001_MySeg\ ├─ imagesTr\ # 训练图像 xxx_0000.nii.gz ├─ labelsTr\ # 对应标签 xxx.nii.gz ├─ imagesTs\ # 测试图像可先留空 └─ dataset.json图像和标签的文件名主体必须一致比如 CT_001.nii.gz 对应 CT_001.nii.gz多模态输入时按通道后缀区分第一个通道是 _0000第二个是 _0001。这里有两个 Windows 特有问题一是项目根目录和文件名不要出现中文和空格Windows 下 SimpleITK 对非 ASCII 路径的兼容性问题很多统一放 D:\nnunet 这类纯英文路径能少一半故障二是原始 DICOM 先用 dcm2niix 转成 .nii.gz 再进目录v2 虽然能靠自定义 reader 读 DICOM但在 Windows 上不值得为这个功能投入调试时间。3.2 dataset.json 必填字段与 SimpleITKIO 读图设置json 是 v2 的硬约束labels 的键必须是字符串、值必须是 intnumTraining 必须和 labelsTr 里的实际文件数一致。网上很多示例是 v1 格式直接拿过来会报字段错误一份最小可用配置{ name: Dataset001_MySeg, description: windows validation run, labels: { background: 0, tumor: 1 }, numTraining: 50, file_ending: .nii.gz, overwrite_image_reader_writer: SimpleITKIO }overwrite_image_reader_writer 建议显式写 SimpleITKIO。不写的话 nnU-Net 自动探测 reader碰到扩展名被重命名过的文件读图后端可能按内容猜格式失败预处理阶段抛出的异常信息又跟实际原因对不上排查很费时间。background 的 0 不能省labels 的 value 一旦错乱后面评估指标全部失效DATASET json 里的 name 也要和目录名保持一致不一致时 nnU-Net 会按编号找数据而不是按名字。3.3 执行 plan_and_preprocess 并核对两份产物plan 和预处理是同一条命令完成的nnUNetv2_plan_and_preprocess -d 1 -c 3d_fullres -npc 2-d 1 是 Dataset001 的编号-c 3d_fullres 指只生成 full 分辨率配置-npc 2 限制并行进程数。预处理包含前景裁剪、各向同性重采样、z-score 归一化是典型的 CPU 密集任务。Windows 上默认进程数会按 CPU 核心数开内存小的机器直接爆掉8 核机器设 2 到 4 就够。跑完在 nnUNet_preprocessed\Dataset001_MySeg 下核对两份产物文件内容缺失时的处理nnUNetPlans.jsonpatch_size、batch_size、网络结构说明 plan 阶段失败splits_final.json5 折划分的索引预处理中断重跑同一条命令nnUNetPlans.json 是后面调显存的关键文件splits_final.json 决定训练 fold 的数据划分。这个阶段会写大量小文件Windows Defender 的实时扫描能把耗时拉长一半以上把 nnUNet_preprocessed 目录加进排除项能明显提速。如果数据目录用 git 管理先执行git config --system core.longpaths true否则 clone 和 checkout 在超长路径上会报错这一步在 Windows 上属于常规前置配置。注意只改 batch_size 不必重跑预处理改 patch_size 必须重跑 plan_and_preprocess序列是预处理、训练、推理改完要按顺序走一遍。4. nnU-Net 训练与推理实战fold 参数、worker 数量和 batch_size 取舍预处理通过之后训练就是重复劳动但 Windows 下必须额外管理线程和显存这两个变量。nnU-Net 默认跑 5 折交叉验证每折最多 1000 轮加早停单卡工作站全量跑完是按天计算的建议先跑通一折再决定全量。4.1 训练命令与 checkpointfold 用 0 起步-w 0 保平安nnUNetv2_train 1 3d_fullres 0 -w 0参数从左到右依次是数据集编号、配置名、fold 序号、DataLoader worker 数。fold 0 到 4 是交叉验证划分all 表示用全部数据训练最终模型。Windows 上 DataLoader 走 spawn 模式每个 worker 都要重新加载环境开多了启动慢还容易触发系统权限问题-w 0 牺牲一点加载速度换整体可靠性单卡场景推荐。训练过程中的最佳模型自动落在nnUNet_results\Dataset001_MySeg\3d_fullres\fold_0\checkpoint_best.pth不需要手动保存。训练时加上 --npz 会保留 softmax 概率文件之后做模型 ensemble 和计算 DSC 都需要建议加上。启动后如果前几个 epoch 的 loss 不降反升先别停等 50 轮左右再下结论nnU-Net 的 poly 学习率策略前期波动是正常的直接报显存不足的看 4.3。4.2 推理命令-f all 做 ensemble-npp 控进程单张图像或批量目录的推理nnUNetv2_predict -i .\input -o .\output -d 1 -c 3d_fullres -f all -npp 1-i 放待预测的 .nii.gz文件名主体得和训练数据一致-f all 用 5 折模型全部参与预测然后投票比单折结果可靠得多-npp 1 把读图预处理进程降为 1避免 Windows 下多进程导出时互相踩文件。推理过程会先生成临时概率文件再转成分割掩膜输出目录里出现同名 .nii.gz 和 summary.json 才算完成。常见问题是输入图像 shape 和训练时不一致nnU-Net 会按 plan 里的重采样参数自动处理但如果 spacing 信息丢失比如从 numpy 直接保存的 nii预处理会按默认值处理结果精度明显下降所以输入尽量用 dcm2niix 转换的原始文件。4.3 改显存的三处配置batch_size、worker 和 OMP 线程nnU-Net v2 没有命令行层面的 batch size 参数默认值写在预处理生成的 nnUNetPlans.json 里找到configurations - 3d_fullres - batch_size显存不够时把它从 2 改成 1。注意 batch_size 是基础值nnU-Net 在显存允许时用 cycle 训练法自动尝试翻倍所以显存充足时不用手动调大只有不足时才调小。worker 数量对应训练命令的 -w 和推理的 -nppOMP 线程用环境变量限制set OMP_NUM_THREADS4PyTorch 在 Windows 上默认把物理核全开多任务机器上各进程争抢 CPUepoch 耗时逐渐变长。判断方法观察训练日志如果每个 epoch 从 30 秒慢慢涨到 60 秒以上把 OMP_NUM_THREADS 降到 4 到 6 后回落到正常范围就是线程竞争。三个参数汇总调节位置参数建议初值适用场景nnUNetPlans.jsonbatch_size2 改 1显存不足训练命令-w0Windows spawn 卡顿推理命令-npp1导出阶段进程冲突环境变量OMP_NUM_THREADS4epoch 变慢、CPU 争抢5. Windows 上的高频报错对照与 3d_lowres 快速验证技巧5.1 按报错现象定位原因的三分钟对照报错现场实际原因处理CUDA out of memorybatch_size 或输入过大改 plans 的 batch_size或换 3d_lowresFileNotFoundError 带一长串预处理路径环境变量没生效或路径超 260 字符重开终端再 set启用 LongPathsEnabled报 NCCL 相关错误Windows 上多卡训练缺 NCCL改单卡训练双击 .bat 闪退PATH 里 python 不是 conda 环境用 Anaconda Prompt 手动执行加 pause长路径问题还可以在注册表里放开 Windows 的 260 字符限制reg add HKLM\SYSTEM\CurrentControlSet\Control\FileSystem /v LongPathsEnabled /t REG_DWORD /d 1 /f改完需要重启资源管理器或重启机器。注意 NCCL 报错不用尝试手动装 NCCLWindows 上 nnU-Net 的多卡训练本来就是 Linux 优先按 4.1 用单卡跑即可。5.2 先用 3d_lowres 验证全链路再回 fullres 全量训练单卡上直接开 5 折 3d_fullres往往跑了一天半才发现标签和图像错位。我拿到新数据第一件事是验证链路同样的数据集先生成 lowres 配置再训练单个 foldnnUNetv2_plan_and_preprocess -d 1 -c 3d_lowres -npc 2 nnUNetv2_train 1 3d_lowres 0 -w 0lowres 配置的 patch_size 更小显存占用通常不到 fullres 的一半单位 epoch 时间也短一个量级把预处理、训练、推理、评估四个环节完整跑通确认 loss 下降、分割结果和标签空间对齐再删掉 lowres 的 results 目录回 fullres。验证通过后用 find_best_configuration 生成最终训练配置nnUNetv2_find_best_configuration -d 1 -c 3d_fullres -f 0输出的 JSON 里会给出各配置的交叉验证指标按它的推荐跑 5 折全量并加 --npz最后用 nnUNetv2_evaluate_folder 对预测目录和标签目录计算 DSC 与 HD95以这两个指标决定是否进入调参迭代。本文还有配套的精品资源点击获取 Windows上nnU-Net实战：CUDA匹配、环境配置与显存调优
简介nnUnet 是面向医学图像分割任务的主流深度学习框架但在 Windows 下部署需自行处理大量编译与依赖问题。压缩包面向 Windows 用户提供了可直接运行的 nnUnet 编译版本已提前完成路径修正、依赖适配等兼容性调整适合希望绕过环境配置、直接开展 CT/MRI 图像分割实验的研究者与开发者。包内共 3 个文件含 2 个 zip 与 1 个 Python 脚本整体仅 1.16MBzip 覆盖 nnUnet 主项目及 apex 混合精度加速组件Python 脚本负责生成 nnUnet 所需的 Json 数据配置文件可辅助快速完成数据预处理与元信息设定包括图像尺寸、模态标签等关键参数。已有 1222 人浏览学习。通过这份资源用户可以免去源码编译与排障环节在 Windows 上快速搭建分割环境利用 GPU 混合精度加速训练将更多精力投入到数据准备、模型调优与医学影像分析研究中。1. nnU-Net 在 Windows 上的真实门槛不是装不上是跑不顺nnU-Net 在医学影像分割里算事实标准价值在于它的自配置设计给定数据集它自动决定重采样、归一化、U-Net 结构和训练时长不用逐项调参。Windows 用户从 nnUnet_windows.rar 这种打包版入手时最常见的卡点反而不是网络本身环境装完训练一启动就报显存不足或者预处理阶段路径读不出来。追根溯源问题都出在 CUDA 匹配、路径长度和多进程模型这三处。下面按我平时排查的顺序把环境、数据、训练预测和报错对照分别讲清楚适合用 Windows 工作站做 MRI/CT 分割验证的人。2. 环境准备三件套Miniconda、CUDA 匹配和 nnU-Net 环境变量解压 nnUnet_windows.rar 后这类打包里通常只是一些 .bat 脚本和说明文档真正的依赖仍然要从 PyPI 和 PyTorch 官方源拉。每台机器的显卡驱动、Python 版本都不一样直接双击脚本的成功率很低。我拿到这类包只看说明环境一律自己重建原因在后面三个小节的坑里都能对上。2.1 用 Miniconda 建独立环境先治脚本闪退Windows 上最典型的翻车现场双击 start.bat 黑窗口一闪而过什么都看不到误以为包是坏的。闪退的真实原因多半是 PATH 里的 python 指向系统自带版本或 Microsoft Store 的别名脚本里 import 的模块一个都没有解释器直接退出。装 Minicondawin 版就是为了把解释器和依赖隔离出来conda create -n nnunet python3.10 -y conda activate nnunet pip install nnunetv2网络慢的话先执行pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple再装。注意包名是nnunetv2这是 v2 的 pip 包v1 的包名是nnunet安装后指令和环境变量完全不同。装错版本时最常见的症状是nnUNetv2_train命令找不到然后误以为 PATH 没配好实际是包就装错了。闪退脚本的诊断方式也统一不要双击改用 Anaconda Prompt 手动执行报错才能留在屏幕上这是排查一切 Windows 脚本问题的起点。2.2 用 nvidia-smi 判断 CUDA 上限再选 PyTorch 轮子PyTorch 的 CPU 版很容易装但跑不了训练这个问题通常出在驱动匹配上。驱动下载页上的版本号比如 472.12-desktop-win10-win11-64b只代表安装包版本机器实际状态要看 nvidia-sminvidia-smi输出右上角有一行 CUDA Version比如 11.4 或 12.4这个数字才是驱动能支持的最大 CUDA 运行时版本。PyTorch 的安装轮子用 cu 前缀标注编译时的 CUDA 版本原则是驱动支持上限大于等于轮子的 CUDA 版本即可按这个表对照nvidia-smi 显示PyTorch 轮子说明CUDA 11.xcu111 / cu113 / cu118老卡优先 cu118CUDA 12.xcu121 / cu124新驱动直接 cu121无输出不装 nnU-Net先装 NVIDIA 驱动对应安装命令pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118nvidia-smi 没有输出的情况先去设备管理器确认显卡驱动是否加载不要直接装 PyTorch否则后面所有 CUDA 报错都会指向错误方向。也有人在 Windows 上尝试用 docker 容器固定环境但 GPU 透传在 Windows 容器下依赖 NVIDIA Container Toolkit支持并不完整绕一圈还是本地 conda 环境最实际。2.3 设置 nnUNet_raw 等三个环境变量并验证 torchnnU-Net v2 用三个环境变量定位数据、预处理结果和训练结果漏一个就会在预处理或训练阶段报找不到路径。cmd 和 PowerShell 写法不同set nnUNet_rawD:\nnunet_data\nnUNet_raw set nnUNet_preprocessedD:\nnunet_data\nnUNet_preprocessed set nnUNet_resultsD:\nnunet_data\nnUNet_results$env:nnUNet_rawD:\nnunet_data\nnUNet_raw $env:nnUNet_preprocessedD:\nnunet_data\nnUNet_preprocessed $env:nnUNet_resultsD:\nnunet_data\nnUNet_results三个根目录建议都先手动建好nnU-Net 只会补建内部的数据集子目录家长目录不存在时直接报 FileNotFoundError。环境变量只在当前终端生效关掉就没了写一个 set_env.bat 每次跑任务前执行。如果你装了 Windows 子系统WSL2也可以把训练挪到 Ubuntu 里跑数据放在 ext4 文件系统内路径长度和 spawn 多进程问题基本消失代价是 /mnt 共享目录读写慢所以代码放 Windows 侧、数据放 WSL 内部比较合适。验证环境python -c import torch; print(torch.__version__, torch.cuda.is_available()) nnUNetv2_plan_and_preprocess -h第一行输出里 torch.cuda.is_available() 为 True 说明 CUDA 链路通了第二行能打印帮助说明指令在 PATH 里。出现 module not found 时用where python看解释器路径是否指向 conda 环境。3. nnU-Net 数据整理与预处理dataset.json 必填字段和 Windows 路径问题nnU-Net 要求数据先转换成分层的目录结构再由 plan_and_preprocess 统一做重采样和归一化。这个阶段在 Windows 上最容易翻车的是路径过长和并行进程数太高跟算法本身没关系。3.1 nnU-Net 数据集目录结构Dataset001_MySeg 与 imagesTr/labelsTr在 nnUNet_raw 下每个数据集占一个一级目录命名必须是 Dataset 加三位数字加下划线加名字比如 Dataset001_MySeg编号范围 001 到 999。内部固定放三个子目录和一份 dataset.jsonnnUNet_raw\Dataset001_MySeg\ ├─ imagesTr\ # 训练图像 xxx_0000.nii.gz ├─ labelsTr\ # 对应标签 xxx.nii.gz ├─ imagesTs\ # 测试图像可先留空 └─ dataset.json图像和标签的文件名主体必须一致比如 CT_001.nii.gz 对应 CT_001.nii.gz多模态输入时按通道后缀区分第一个通道是 _0000第二个是 _0001。这里有两个 Windows 特有问题一是项目根目录和文件名不要出现中文和空格Windows 下 SimpleITK 对非 ASCII 路径的兼容性问题很多统一放 D:\nnunet 这类纯英文路径能少一半故障二是原始 DICOM 先用 dcm2niix 转成 .nii.gz 再进目录v2 虽然能靠自定义 reader 读 DICOM但在 Windows 上不值得为这个功能投入调试时间。3.2 dataset.json 必填字段与 SimpleITKIO 读图设置json 是 v2 的硬约束labels 的键必须是字符串、值必须是 intnumTraining 必须和 labelsTr 里的实际文件数一致。网上很多示例是 v1 格式直接拿过来会报字段错误一份最小可用配置{ name: Dataset001_MySeg, description: windows validation run, labels: { background: 0, tumor: 1 }, numTraining: 50, file_ending: .nii.gz, overwrite_image_reader_writer: SimpleITKIO }overwrite_image_reader_writer 建议显式写 SimpleITKIO。不写的话 nnU-Net 自动探测 reader碰到扩展名被重命名过的文件读图后端可能按内容猜格式失败预处理阶段抛出的异常信息又跟实际原因对不上排查很费时间。background 的 0 不能省labels 的 value 一旦错乱后面评估指标全部失效DATASET json 里的 name 也要和目录名保持一致不一致时 nnU-Net 会按编号找数据而不是按名字。3.3 执行 plan_and_preprocess 并核对两份产物plan 和预处理是同一条命令完成的nnUNetv2_plan_and_preprocess -d 1 -c 3d_fullres -npc 2-d 1 是 Dataset001 的编号-c 3d_fullres 指只生成 full 分辨率配置-npc 2 限制并行进程数。预处理包含前景裁剪、各向同性重采样、z-score 归一化是典型的 CPU 密集任务。Windows 上默认进程数会按 CPU 核心数开内存小的机器直接爆掉8 核机器设 2 到 4 就够。跑完在 nnUNet_preprocessed\Dataset001_MySeg 下核对两份产物文件内容缺失时的处理nnUNetPlans.jsonpatch_size、batch_size、网络结构说明 plan 阶段失败splits_final.json5 折划分的索引预处理中断重跑同一条命令nnUNetPlans.json 是后面调显存的关键文件splits_final.json 决定训练 fold 的数据划分。这个阶段会写大量小文件Windows Defender 的实时扫描能把耗时拉长一半以上把 nnUNet_preprocessed 目录加进排除项能明显提速。如果数据目录用 git 管理先执行git config --system core.longpaths true否则 clone 和 checkout 在超长路径上会报错这一步在 Windows 上属于常规前置配置。注意只改 batch_size 不必重跑预处理改 patch_size 必须重跑 plan_and_preprocess序列是预处理、训练、推理改完要按顺序走一遍。4. nnU-Net 训练与推理实战fold 参数、worker 数量和 batch_size 取舍预处理通过之后训练就是重复劳动但 Windows 下必须额外管理线程和显存这两个变量。nnU-Net 默认跑 5 折交叉验证每折最多 1000 轮加早停单卡工作站全量跑完是按天计算的建议先跑通一折再决定全量。4.1 训练命令与 checkpointfold 用 0 起步-w 0 保平安nnUNetv2_train 1 3d_fullres 0 -w 0参数从左到右依次是数据集编号、配置名、fold 序号、DataLoader worker 数。fold 0 到 4 是交叉验证划分all 表示用全部数据训练最终模型。Windows 上 DataLoader 走 spawn 模式每个 worker 都要重新加载环境开多了启动慢还容易触发系统权限问题-w 0 牺牲一点加载速度换整体可靠性单卡场景推荐。训练过程中的最佳模型自动落在nnUNet_results\Dataset001_MySeg\3d_fullres\fold_0\checkpoint_best.pth不需要手动保存。训练时加上 --npz 会保留 softmax 概率文件之后做模型 ensemble 和计算 DSC 都需要建议加上。启动后如果前几个 epoch 的 loss 不降反升先别停等 50 轮左右再下结论nnU-Net 的 poly 学习率策略前期波动是正常的直接报显存不足的看 4.3。4.2 推理命令-f all 做 ensemble-npp 控进程单张图像或批量目录的推理nnUNetv2_predict -i .\input -o .\output -d 1 -c 3d_fullres -f all -npp 1-i 放待预测的 .nii.gz文件名主体得和训练数据一致-f all 用 5 折模型全部参与预测然后投票比单折结果可靠得多-npp 1 把读图预处理进程降为 1避免 Windows 下多进程导出时互相踩文件。推理过程会先生成临时概率文件再转成分割掩膜输出目录里出现同名 .nii.gz 和 summary.json 才算完成。常见问题是输入图像 shape 和训练时不一致nnU-Net 会按 plan 里的重采样参数自动处理但如果 spacing 信息丢失比如从 numpy 直接保存的 nii预处理会按默认值处理结果精度明显下降所以输入尽量用 dcm2niix 转换的原始文件。4.3 改显存的三处配置batch_size、worker 和 OMP 线程nnU-Net v2 没有命令行层面的 batch size 参数默认值写在预处理生成的 nnUNetPlans.json 里找到configurations - 3d_fullres - batch_size显存不够时把它从 2 改成 1。注意 batch_size 是基础值nnU-Net 在显存允许时用 cycle 训练法自动尝试翻倍所以显存充足时不用手动调大只有不足时才调小。worker 数量对应训练命令的 -w 和推理的 -nppOMP 线程用环境变量限制set OMP_NUM_THREADS4PyTorch 在 Windows 上默认把物理核全开多任务机器上各进程争抢 CPUepoch 耗时逐渐变长。判断方法观察训练日志如果每个 epoch 从 30 秒慢慢涨到 60 秒以上把 OMP_NUM_THREADS 降到 4 到 6 后回落到正常范围就是线程竞争。三个参数汇总调节位置参数建议初值适用场景nnUNetPlans.jsonbatch_size2 改 1显存不足训练命令-w0Windows spawn 卡顿推理命令-npp1导出阶段进程冲突环境变量OMP_NUM_THREADS4epoch 变慢、CPU 争抢5. Windows 上的高频报错对照与 3d_lowres 快速验证技巧5.1 按报错现象定位原因的三分钟对照报错现场实际原因处理CUDA out of memorybatch_size 或输入过大改 plans 的 batch_size或换 3d_lowresFileNotFoundError 带一长串预处理路径环境变量没生效或路径超 260 字符重开终端再 set启用 LongPathsEnabled报 NCCL 相关错误Windows 上多卡训练缺 NCCL改单卡训练双击 .bat 闪退PATH 里 python 不是 conda 环境用 Anaconda Prompt 手动执行加 pause长路径问题还可以在注册表里放开 Windows 的 260 字符限制reg add HKLM\SYSTEM\CurrentControlSet\Control\FileSystem /v LongPathsEnabled /t REG_DWORD /d 1 /f改完需要重启资源管理器或重启机器。注意 NCCL 报错不用尝试手动装 NCCLWindows 上 nnU-Net 的多卡训练本来就是 Linux 优先按 4.1 用单卡跑即可。5.2 先用 3d_lowres 验证全链路再回 fullres 全量训练单卡上直接开 5 折 3d_fullres往往跑了一天半才发现标签和图像错位。我拿到新数据第一件事是验证链路同样的数据集先生成 lowres 配置再训练单个 foldnnUNetv2_plan_and_preprocess -d 1 -c 3d_lowres -npc 2 nnUNetv2_train 1 3d_lowres 0 -w 0lowres 配置的 patch_size 更小显存占用通常不到 fullres 的一半单位 epoch 时间也短一个量级把预处理、训练、推理、评估四个环节完整跑通确认 loss 下降、分割结果和标签空间对齐再删掉 lowres 的 results 目录回 fullres。验证通过后用 find_best_configuration 生成最终训练配置nnUNetv2_find_best_configuration -d 1 -c 3d_fullres -f 0输出的 JSON 里会给出各配置的交叉验证指标按它的推荐跑 5 折全量并加 --npz最后用 nnUNetv2_evaluate_folder 对预测目录和标签目录计算 DSC 与 HD95以这两个指标决定是否进入调参迭代。本文还有配套的精品资源点击获取