nnUNet在Mac M系列芯片上的训练问题及解决方案

背景介绍

nnUNet作为医学图像分割领域广泛使用的深度学习框架，通常运行在Linux系统下的NVIDIA GPU环境中。然而，随着Apple Silicon芯片(M1/M2/M3系列)的普及，越来越多的开发者尝试在MacBook Pro等设备上运行nnUNet进行模型训练。

问题现象

当用户尝试在配备M3 Max芯片的MacBook Pro上使用nnUNet时，虽然可以使用CPU进行训练，但在尝试使用Metal Performance Shaders(MPS)设备时会遇到错误提示："Device mps not supported"。这是由于PyTorch的inductor后端目前不支持MPS设备导致的兼容性问题。

技术分析

PyTorch 2.0引入的torch.compile功能默认使用inductor后端进行优化，而该后端目前尚未实现对MPS设备的完整支持。当nnUNet尝试在MPS设备上启用编译优化时，就会触发这个兼容性问题。

解决方案

临时解决方案

1. 环境变量设置法：通过设置环境变量nnUNet_compile=f来禁用torch.compile功能

   export nnUNet_compile=f
   

   然后再运行nnUNet训练命令

2. 代码修改法：直接修改nnUNet源代码，将后端设置为'aot_eager'

官方最新解决方案

nnUNet开发团队已经更新了代码，现在会自动检测MPS设备并禁用torch.compile功能，用户无需再进行任何手动配置。

最佳实践建议

1. 确保使用最新版本的nnUNet，以获得对MPS设备的自动兼容支持
2. 在Mac设备上训练时，建议监控内存使用情况，因为M系列芯片的统一内存架构与传统的GPU显存管理方式不同
3. 对于大型数据集，仍需考虑性能问题，Mac设备可能不适合超大规模模型的训练

总结

虽然Mac M系列芯片提供了强大的计算能力，但在深度学习框架支持方面仍存在一些兼容性问题。nnUNet团队已经积极跟进并解决了MPS设备的支持问题，使得在Mac设备上进行医学图像分割模型的训练变得更加便捷。用户只需确保使用最新版本的nnUNet，即可享受到这一改进带来的便利。