MONAI

tip

如果您尚未使用ClearML，请参阅入门指南以获取设置说明。

MONAI 是一个基于 PyTorch 的开源框架，用于医疗影像的深度学习。你可以使用 MONAI 的内置处理器将 ClearML 集成到你的代码中：ClearMLImageHandler, ClearMLStatsHandler，以及 ModelCheckpoint。

ClearMLImageHandler 和 ClearMLStatsHandler

使用ClearMLImageHandler和ClearMLStatsHandler分别将图像和指标记录到ClearML。 ClearMLImageHandler扩展了TensorBoardImageHandler的所有功能，用于可视化图像、标签和输出。ClearMLStatsHandler扩展了TensorBoardStatsHandler的所有功能，用于定义一组用于TensorBoard逻辑的Ignite事件处理程序。ClearML自动捕获所有 TensorBoard输出。

例如，下面的代码将ClearML图像处理程序和统计处理程序附加到Ignite评估引擎上：

# ignite evaluator
evaluator = ignite.engine.create_supervised_evaluator(
    net,
    val_metrics,
    device,
    True,
    output_transform=lambda x, y, y_pred: (
        [post_pred(i) for i in decollate_batch(y_pred)],
        [post_label(i) for i in decollate_batch(y)],
    ),
)
# add handler to draw the first image and the corresponding
# label and model output in the last batch
# here we draw the 3D output as GIF format along Depth
# axis, at every validation epoch
val_clearml_image_handler = ClearMLImageHandler(
    task_name=task_name,
    project_name=project_name,
    log_dir=log_dir,
    batch_transform=lambda batch: (batch[0], batch[1]),
    output_transform=lambda output: output[0],
    global_iter_transform=lambda x: trainer.state.epoch,
)
evaluator.add_event_handler(
    event_name=ignite.engine.Events.EPOCH_COMPLETED,
    handler=val_clearml_image_handler,
)

# add handler to record metrics to clearml at every validation epoch
val_clearml_stats_handler = ClearMLStatsHandler(
    log_dir=log_dir,
    # no need to plot loss value, so disable per iteration output
    output_transform=lambda x: None,
    # fetch global epoch number from trainer
    global_epoch_transform=lambda x: trainer.state.epoch,
)
val_clearml_stats_handler.attach(evaluator)

当代码使用这些处理器运行时，它会在MONAI项目中创建一个名为monai_experiment的ClearML任务。要更改任务的名称或项目，请在实例化任一处理器时使用task_name和project_name参数。任务会捕获由图像处理器记录的图像、由统计处理器记录的指标，以及源代码、未提交的更改、安装的包、控制台输出等。

您可以在ClearML的WebApp任务页面查看所有捕获的数据。

在WebApp中查看记录的图像，位于实验的调试样本标签中。

调试示例

在WebApp中查看记录的指标，位于实验的Scalars标签中。

MONAI 标量

模型检查点

ClearML 会自动记录使用 ModelCheckpoint 处理程序保存的模型。确保在你的脚本中实例化了一个 ClearML 任务。如果你已经在使用 ClearMLStatsHandler 或 ClearMLImageHandler，你不需要添加任何代码。否则，你只需要添加两行代码来创建一个任务：

from clearml import Task

task = Task.init(task_name="<task name>", project_name="<project_name>")

下面的代码创建了一个用于保存模型的处理器。当脚本与ClearML任务一起运行时，任务会自动捕获保存的模型。

# adding checkpoint handler to save models (network
# params and optimizer stats) during training and log them to ClearML
log_dir = os.path.join(root_dir, "logs")
checkpoint_handler = ignite.handlers.ModelCheckpoint(log_dir, "net", n_saved=10, require_empty=False)
trainer.add_event_handler(
    event_name=ignite.engine.Evclearents.EPOCH_COMPLETED,
    handler=checkpoint_handler,
    to_save={"net": net, "opt": opt},
)

在WebApp中查看捕获的模型，位于实验的Artifacts标签页中。

MONAI 模型

ClearMLImageHandler 和 ClearMLStatsHandler​

模型检查点​

ClearMLImageHandler 和 ClearMLStatsHandler

模型检查点