如果你开始接触医学影像人工智能相关的项目MONAI 这个词迟早会撞进你眼里。我第一次碰到它是接手一个 3D 医学图像分割任务手里全是 NIfTI 格式的 CT 数据当时用纯 PyTorch 写数据加载、预处理、切块、增强代码写得又长又累人后来换到 MONAI同样的功能代码量几乎砍半。这篇教程是 MONAI 系列的第一篇专门讲安装。你可能觉得安装有什么好讲的pip install monai 一下不就行了真没那么简单——环境版本、CUDA 匹配、依赖顺序任何一个环节没处理好后面训练必出幺蛾子。我把自己的踩坑过程整理出来照着做就行。1. MONAI 是什么为什么医学影像项目绕不开它1.1 从项目背景说起MONAI 的全称是 Medical Open Network for AI看名字就知道这是一个专为医学影像人工智能分析打造的开源框架。项目的核心开发团队来自 NVIDIA 和伦敦国王学院等机构从 2019 年开源至今已经成长为医学影像深度学习事实上的标准工具之一。为什么会有这个框架原因是医学影像领域的工程化痛点和自然图像完全不同。普通图像深度学习一张 JPG 读进来宽高固定、通道固定直接进网络但医学影像的数据格式五花八门CT 的分层切片、MRI 的多种模态序列、PET 的 SUV 值、还有 NIfTI、DICOM、NRRD 等一堆专有格式。数据维度也不一样很多任务处理的是 3D 体数据比如 (H, W, Depth, Channel)。如果每个项目都用 PyTorch 裸写一套数据处理逻辑写一次难受一次还特别容易写错。MONAI 就是针对这些痛点把医学影像深度学习里最常用、最容易踩坑的部分做成标准模块。1.2 MONAI 核心设计理念MONAI 的 API 设计完全基于 PyTorch所以只要你用过 PyTorch上手成本就非常低。它整体的设计走的是模块化路线大致可以分成几个大的能力块数据加载与格式解析支持 NIfTI、DICOM、PNG、NRRD 等常见医学影像格式不需要自己手写解析器。预处理与数据增强重采样、裁剪、配准、归一化、随机翻转、弹性形变等很多都有现成接口还支持 3D 增强。网络架构库内置了 UNet、DynUNet、AttentionUNet、VNet、SegResNet 等一大批在医学分割任务里被反复验证过的网络。损失函数与评估指标Dice Loss、Focal Loss、Dice、IoU、Hausdorff 距离等都是医学场景常用的。训练加速工具混合精度训练、自动加速、分布式训练支持也都内置了。还有一个细节让它在科研领域特别受欢迎MONAI 的很多模块设计成原样可用——官方教程里的示例代码不需要大改就能直接迁移到自己的数据上这在医学科研项目里非常宝贵因为很多医生合作方没有精力去处理繁琐的代码细节。1.3 这套教程适合谁看这篇安装教程以及后面整个系列主要适合三类人。第一是刚接触医学影像 AI 的研究生或者刚入职的算法工程师需要快速搭起环境跑通 baseline。第二是老 PyTorch 用户想从传统 2D 图像迁移到 3D 医学影像需要一个可靠的工具链。第三是被各种环境问题折腾到崩溃的实操派——你只想尽快把环境配好而不是研究操作系统如何与显卡驱动相爱相杀。我下面的内容就是按这条主线走的。2. 安装前的准备工作把地基打牢先说结论安装 MONAI 本身并不复杂复杂的是把它的运行环境配好。如果环境基础没打好后面所有问题都会在模型训练时集中爆发。所以花一点时间把准备工作做扎实是最值得投入的事。2.1 Python 环境选择为什么推荐 MinicondaMONAI 是基于 PyTorch 的 Python 包所以 Python 环境是第一件要定的事。社区主流推荐 Python 3.9 或者 3.10兼容性最稳。MONAI 新版本虽然支持到 Python 3.12 甚至 3.13但从实测看3.9/3.10 下遇到的生态兼容问题最少尤其是当你还要装一些医学影像相关的底层库比如 nibabel、itk、SimpleITK时太新的 Python 版本可能还没有对应的预编译包。环境管理工具我强烈建议用 Miniconda而不是直接装 Anaconda。Anaconda 自带一大堆你平时根本用不到的包体积大、还容易和你系统已有的库互相干扰。Miniconda 只带 conda 和一个极简的 Python需要什么装什么干净利落。安装好 Miniconda 之后为 MONAI 单独创建一个虚拟环境conda create -n monai python3.9 -y conda activate monai这里有个细节创建环境时把 Python 版本固定好别用默认版本。因为后续安装 PyTorch 时conda 会根据 Python 版本自动选合适的 wheel显式指定版本能减少很多不可控因素。2.2 PyTorch 与 CUDA 版本的匹配逻辑MONAI 依赖 PyTorch但 PyTorch 的安装方式五花八门CPU 版、CUDA 11.8 版、CUDA 12.1 版、CUDA 12.4 版选错一个就可能导致 GPU 无法使用。所以安装 MONAI 之前必须先想清楚自己的硬件环境。先通过 nvidia-smi 命令查看本机 GPU 驱动支持的 CUDA 版本nvidia-smi输出右上角会有一个 CUDA Version: xx.x这个数字代表你的显卡驱动最高能支持到哪个 CUDA 版本。注意它和你机器里是否单独安装了 CUDA Toolkit 没有直接关系。然后去 PyTorch 官网或者 PyTorch 的官方安装命令页面找到对应 CUDA 版本的安装命令。以最常见的 CUDA 12.1 为例pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你是 A 卡或者只做 CPU 推理那就直接安装 CPU 版pip install torch torchvision torchaudio这里有一个非常关键的坑先装 PyTorch 再装 MONAI。MONAI 的 pip 依赖里会声明 torch如果你先执行 pip install monaipip 会自动去拉一个符合版本要求的 torch但那个 torch 极大概率是 CPU 版本因为默认的 PyPI 索引里不带 CUDA 支持。等你后面想用 GPU 训练运行 torch.cuda.is_available() 返回 False那就要全部重来一遍。所以顺序一定要记住手动装 PyTorch 在前装 MONAI 在后。3. 三种主流安装方式按你的场景来选3.1 方式一pip 安装最快最省事如果你已经把 PyTorch 配好了安装 MONAI 就是一个纯 pip 命令的事pip install monai最简单的做法装完就能 import。如果需要处理 NIfTI、DICOM 这类医学影像格式建议顺手把官方推荐的扩展包一起装上pip install monai[nibabel, itk]方括号里是 MONAI 的 extras 选项nibabel 负责 NIfTI 格式解析itk 负责 DICOM 等更多格式的读取。如果不装这些MONAI 的核心功能也能用但一旦遇到 DICOM 数据就会拒绝执行到时候再补装也行。我用 pip 装 MONAI 的频率最高因为它快、稳而且能保证版本最新。pip 安装的 MONAI 和 PyTorch 生态的版本兼容性处理得最好这也是官方文档主推的安装方式。3.2 方式二conda 安装适合环境洁癖患者如果你的所有 Python 环境都是 conda 管理也可以直接用 conda 安装conda install -c conda-forge monai这个命令会从 conda-forge 通道拉取 MONAI 及其依赖。优点和 conda 生态一致依赖解析由 conda 统一管理不会出现 pip 和 conda 混装导致的依赖逻辑混乱。但这里也要提醒一句conda 装的 PyTorch 默认可能是 CPU 版本尤其是你直接用 conda 默认通道时。所以哪怕是 conda 党我也建议 PyTorch 单独用 pip 或者 PyTorch 官方 conda 通道装好MONAI 再用 conda 装。混合安装并不冲突只要保证最终用的是同一个虚拟环境。3.3 方式三源码编译安装给想改代码的人如果你有二次开发需求想深入理解 MONAI 的实现细节或者要修改框架内部逻辑那推荐源码安装。git clone https://github.com/Project-MONAI/MONAI.git cd MONAI pip install -r requirements-dev.txt pip install -e .-e 参数表示可编辑安装改动源码后立刻生效不用重新安装。这是开发模式下最常用的安装方式。源码安装的最大价值不是安装本身而是你手里拿到了整个项目源码可以在 IDE 里直接跳转到任意模块内部读实现。我早期读 MONAI 的数据增强源码时就是靠这种方式逐个文件翻理解效率远高于只知道黑盒调用。不过源码安装也有风险如果当前仓库的 main 分支正在开发新功能稳定性可能比官方 release 版本差一些。如果你不是要改源码老老实实用 pip 装 release 版本就好。3.4 三种安装方式怎么选我把三种方式的适用场景列成一张表方便你决策安装方式适合场景安装速度是否适合二次开发推荐指数pip install绝大多数用户、快速搭环境快否五星conda installconda 生态重度用户、依赖洁癖中否四星源码 -e 安装需要看源码、改框架、debug 到内部慢需要编译是四星我的建议是刚开始接触 MONAI直接用 pip 装 release 版。等你对框架足够熟悉再决定要不要切源码版。先解决环境问题不要一上来就把复杂度拉满。4. 验证安装别急着写代码先跑通这三步安装完成不等于万事大吉。很多人在这一步放松了警惕直接开始跑项目结果报错信息满天飞根本分不清是环境问题还是代码问题。正确做法是顺序跑完下面三个验证关卡确保环境真正可用。4.1 检查 import 是否成功在虚拟环境里启动 Pythonpython然后输入import monai print(monai.__version__)如果输出了一个版本号比如 1.3.2 之类说明 MONAI 已经正确安装。这一步没有报错代表 MONAI 核心包和它的基础依赖都正常。这里有个小技巧如果你同时装了多个环境import 报 ModuleNotFoundError 时先看当前 Python 在哪儿import sys print(sys.executable)确认解释器路径是不是你创建的那个 monai 环境排查思路会清晰很多。4.2 跑一个最小可运行的示例光 import 成功还不够我建议一次性跑一个包含推理逻辑的最小示例把 MONAI 的网络构建、数据变换、模型推断整个链路都通一遍。import torch import monai from monai.networks.nets import UNet print(MONAI version:, monai.__version__) print(PyTorch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) if torch.cuda.is_available(): print(GPU:, torch.cuda.get_device_name(0)) # 构建一个 3D 分割网络 model UNet( spatial_dims3, in_channels1, out_channels2, channels(16, 32, 64, 128), strides(2, 2, 2), ) # 构造随机输入验证网络前向传播 x torch.randn(2, 1, 64, 64, 64) y model(x) print(网络输出尺寸:, y.shape)如果这段代码顺利跑完说明 MONAI 的网络模块没有任何问题。我把这个验证脚本保存成一个 check_install.py每次在新环境装完 MONAI 都跑一遍省心很多。4.3 验证 GPU 是否真的被 MONAI 用起来了GPU 这块很容易产生假成功。很多同学装完 MONAI以为模型能跑了就万事大吉结果一测速度全程 CPU 在算。之所以强调先手动装 PyTorch主要原因就在这里。验证 GPU 是否可用除了看 torch.cuda.is_available() 之外我建议再加一步实际推理测试device torch.device(cuda:0 if torch.cuda.is_available() else cpu) model model.to(device) x x.to(device) y model(x) print(推理设备:, device) print(输出设备:, y.device)输出里 device 显示 cuda:0才证明模型真的跑在 GPU 上。如果显示 cpu基本可以断定 PyTorch 装错版本了请回到第 2 节重新装对应 CUDA 的 PyTorch。5. 安装过程中的高频报错与排查环境安装这种事几乎没有一次顺顺利利的。下面的内容全是实际踩过的坑我按频率从高到低整理成几个典型问题你遇到时可以按图索骥。5.1 CUDA 不可用或 GPU 检测不到这是最经典的问题安装一切顺利但 torch.cuda.is_available() 返回 False。通常有三种原因。第一装的是 CPU 版 PyTorch。这是最普遍的情况尤其是不看安装命令直接 pip install torch 的人。解决办法很简单卸载重装。先pip uninstall torch torchvision torchaudio再按第 2 节提供的官方命令装对应 CUDA 版本。第二显卡驱动版本太低。PyTorch 12.1 版本的 CUDA 支持要求驱动版本至少达到某个阈值。如果 nvidia-smi 显示的 CUDA Version 小于 PyTorch 要求的版本可以考虑更新显卡驱动或者反过来降低 PyTorch 的 CUDA 版本要求例如从 cu121 降到 cu118重新装。第三WSL2 或者远程服务器场景下显卡驱动和容器没正确映射。如果你在 Docker 容器里跑 MONAI记得启动时加 --gpus all 参数否则容器内根本看不到 GPU。我处理这个问题时有个习惯先看nvidia-smi是否正常输出再看torch.cuda.is_available()。前者正常后者为 False问题几乎都出在 PyTorch 安装版本上而不是驱动。5.2 PyTorch 与 MONAI 版本不兼容MONAI 对 PyTorch 版本有明确要求新版本会放弃对老版本的支持。比如某个版本要求 torch1.13如果你的 torch 是 1.10可能 import 才成功但一调用训练相关的模块就报一些莫名其妙的 AttributeError。这类问题排查起来确实比较烦因为报错信息往往不直接说是版本问题而是指向某个具体函数不存在、参数异常之类。我的建议是遇到这种报错先把 torch 和 monai 版本打出来再去 MONAI 的 GitHub Release Notes 里核对兼容性矩阵。版本兼容对照表以我常用的组合为例MONAI 版本建议 PyTorch 版本备注1.3.xtorch 2.0 - 2.3稳定1.4.xtorch 2.1 - 2.5推荐新项目用1.5.xtorch 2.2需要较新环境这只是一个大方向具体以官网为准。如果发现版本不匹配升级或降级 torch 之后记得重新跑一遍第 4 节的最小验证脚本。5.3 其他常见问题速查我把自己遇到过的其他问题整理成一个速查表方便直接查现象可能原因解决办法ModuleNotFoundError: No module named monai当前环境不对MONAI 装到了其他环境检查 sys.executable切换到正确环境或重新安装ImportError: DLL load failedWindows 下缺 VC 运行库或 torch 安装不完整安装 Microsoft Visual C Redistributable重装 torch安装时提示权限不足在系统级 Python 环境下使用 pip改用虚拟环境或加 --user 参数conda 安装很慢网络或 conda 源速度问题使用 conda-forge 通道或配置离自己最近的 conda 镜像import 时提示 CUDA 相关 error显卡驱动与 CUDA 版本冲突更新驱动或在干净的虚拟环境里重装 torchMONAI 装完但数据加载 DICOM 失败没安装 itk/nibabel 扩展执行 pip install monai[itk, nibabel]这些坑有一个共同特点都是环境问题不是代码问题。所以我在排错时坚持一个原则——先打环境信息再改代码。把 torch、monai 版本python 路径cuda 是否可用全部打出来错误原因基本上就缩小到一两个方向了。6. 安装完成后我建议你接着做这几件事环境终于跑通了别急着进入模型训练环节。医学影像开发流程里还有很多配套工具能让你后面的工作顺畅不少。这几样东西虽然不属于 MONAI 本身但和 MONAI 搭配使用效果非常好。6.1 强烈推荐的三个辅助工具第一个是 ITK-SNAP。它是一款免费开源的医学影像三维可视化软件可以直接打开 NIfTI、DICOM 等格式方便你查看体数据、标注 ROI 区域、检查网络输出结果。我用它最多的是核对数据预处理是否正确——数据加载、裁剪、重采样有没有出问题可视化一看便知比盯着数组形状猜要直观太多。它还能自动生成 3D 表面模型看分割结果的时候非常有帮助。第二个是 3D Slicer。功能更接近一个完整的医学影像处理平台支持标注、配准、分割、渲染等如果项目需要做精细标注或者病例展示3D Slicer 会是更合适的选择。它内置了不少深度学习交互模块虽然不一定直接调用 MONAI但用来做结果审查和标注管理非常顺手。第三个是 TensorBoard 或者 Weights Biaseswandb。MONAI 提供了专门的日志和可视化回调接口可以直接把训练过程中的 loss 曲线、学习率、验证指标等记录到这些可视化平台里。尤其是你要在论文里展示实验结果时从 wandb 导出的图表能省下不少作图精力。这些工具本身和 MONAI 无关但它们组合成了我日常的完整工作流ITK-SNAP 看数据MONAI 训练模型3D Slicer 做结果后处理wandb 记录实验。你也可以根据自己的习惯做调整但大方向推荐这样搭。6.2 下一步学什么安装只是第一步配好环境之后的重点是把 MONAI 的核心用法学透。我的个人建议是不要上来就啃完整文档那样容易迷失。先拿一个小而全的任务练手比如对某个公开数据集如脑肿瘤分割、肺部结节分类跑通一个完整的训练-验证-测试流程。在这个过程中你会自然接触到数据加载、预处理、网络定义、损失函数、指标评估这些核心模块。另外MONAI 官方提供了一套很完整的 Tutorials 仓库里面从图像分类、分割、配准到模型部署都有现成示例。我自己的学习习惯是先把 Tutorials 里 UNet 分割那个例子原封不动跑一遍确认结果没问题再渐进式地替换成自己的数据格式。这样既不会一上来就被数据工程击败又能很清楚地区分哪些问题是代码的、哪些是环境的。我装完 MONAI 之后踩过最大的一个坑就是在医学影像数据的格式准备上花了太多时间。后来我把这套验证步骤写成了固定流程每次接手新项目都把环境、数据、模型三层分开验证效率提升了一大截。希望这篇安装教程也能帮你少走这些弯路。如果你卡在安装环节把我上面第 2 节和第 5 节对照着看一遍大部分问题都能解决。准备好了下一步就大胆去跑一个属于自己的医学影像模型吧。