什么是 nnU-Net？
nnU-Net 是一种语义分割方法，旨在自动适应多种图像数据集。
它消除了为每个新问题手动设计和优化的需求，使过程更少出错并更具可扩展性。
nnU-Net 分析提供的训练案例，并自动配置基于 U-Net 的分割流程，无需用户专业知识。
成就：
在 23 个生物医学数据集上进行评估，并在开放排行榜上获得了多个第一名。
在许多挑战中被用作基线和方法开发框架。
值得注意的胜利包括 MICCAI 2020 的 10 个挑战赛冠军中的 9 个，以及 MICCAI 2021 的 7 个中的 5 个。
引用：
Isensee, F., Jaeger, P. F., Kohl, S. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: 一种自配置的基于深度学习的生物医学图像分割方法。Nature methods, 18(2), 203-211。
优点：
对于领域科学家：提供一个易于使用的解决方案来分析图像，无需 AI 专业知识。
对于 AI 研究人员：作为基线算法，方法开发框架，并提供关于分割方法设计的见解。
范围：
专为语义分割设计。
处理各种模态的 2D 和 3D 图像。
理解体素间距、各向异性，并可以管理不平衡的类。
需要带有训练案例的监督学习。
可以处理各种大小的图像，但基于 RAM 有限制。
它是如何工作的：
分析数据集以创建“数据集指纹”。
根据数据集配置多个 U-Net 配置。
使用三步配方进行分割流程配置：
固定参数
基于规则的参数
经验参数
入门：
按照安装说明、数据集转换和使用说明。
其他资源包括基于区域的培训、手动数据拆分、预培训和微调、强度规范化、手动配置编辑和扩展 nnU-Net。
V2 的区别：
nnU-Net V2 是对原始版本的完全改造。
旧版本匆忙组合在一起，缺乏结构化的代码库。
V2 提供了更好的结构，增加了功能，并且更加用户友好。它还支持更多的图像格式和领域。
性能：
nnU-Net 在需要从头开始训练的分割问题中表现出色。
它在研究应用、挑战数据集和大多数 3D 分割问题上表现得非常好。
但是，对于标准的分割问题，如 ADE20k 和 Cityscapes 中的 2D RGB 图像，微调基础模型可能会产生更好的结果。nnU-Net 不支持基础模型。
旧的 nnU-Net：
原始的 nnU-Net 是在 2018 年的医学分割十项全能挑战中开发的。
它有一个混乱的代码结构，很难使用。
nnU-Net V2 是一个完整的重做，提供了更好的功能和易用性。