Jiao77/RoRD-Layout-Recognation
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
main
RoRD-Layout-Recognation/docs/NextStep.md

12 KiB
Raw Permalink Blame History

一、数据策略与增强 (Data Strategy & Augmentation)

目标：提升模型的鲁棒性和泛化能力，减少对大量真实数据的依赖。

  • 引入弹性变形 (Elastic Transformations)

    • ✔️ 价值：模拟芯片制造中可能出现的微小物理形变，使模型对非刚性变化更鲁棒。
    • 🧭 关键原则（与当前数据管线一致）：
      • 现有自监督训练数据集 ICLayoutTrainingDataset 会返回 (original, rotated, H)；其中 H 是两张 patch 间的单应关系，用于 loss 监督。
      • 非刚性弹性变形若只对其中一张或在生成 H 之后施加，会破坏几何约束，导致 H 失效。
      • 因此，Elastic 需在“生成 homography 配对之前”对基础 patch 施加；随后对该已变形的 patch 再执行旋转/镜像与单应计算，这样 H 仍严格成立。
    • 📝 执行计划：
      1. 依赖核对
        • pyproject.toml 已包含 albumentations>=2.0.8，无需新增依赖；确保环境安装齐全。
      2. 集成位置与方式
        • 在 data/ic_dataset.py 的 ICLayoutTrainingDataset.__getitem__ 中，裁剪并缩放得到 patch 后，转换为 np.ndarray，对其调用 albumentations 管道（包含 A.ElasticTransform）。
        • 将变形后的 patch_np_uint8 作为“基准图”，再按现有逻辑计算旋转/镜像与 homography，生成 transformed_patch，从而确保 H 有效。
      3. 代码改动清单（建议）
        • data/ic_dataset.py
          • 顶部新增：import albumentations as A
          • __init__ 新增可选参数：use_albu: bool=False、albu_params: dict|None=None
          • 在 __init__ 构造 self.albu = A.Compose([...])（当 use_albu 为 True 时），包含：
            • A.ElasticTransform(alpha=40, sigma=6, alpha_affine=6, p=0.3)
            • （可选）A.RandomBrightnessContrast(p=0.5)、A.GaussNoise(var_limit=(5.0, 20.0), p=0.3) 以替代当前手写的亮度/对比度与噪声逻辑（减少重复）。
          • 在 __getitem__：裁剪与缩放后，若启用 self.albu：patch_np_uint8 = self.albu(image=patch_np_uint8)["image"]，随后再计算旋转/镜像与 homography。
          • 注意：保持输出张量与当前 utils.data_utils.get_transform() 兼容（单通道→三通道→Normalize）。
        • configs/base_config.yaml
          • 新增配置段：
            • augment.elastic.enabled: true|false
            • augment.elastic.alpha: 40
            • augment.elastic.sigma: 6
            • augment.elastic.alpha_affine: 6
            • augment.elastic.prob: 0.3
            • （可选）augment.photometric.* 开关与参数
        • train.py
          • 从配置读取上述参数，并将 use_albu 与 albu_params 通过 ICLayoutTrainingDataset(...) 传入（不影响现有 get_transform()）。
      4. 参数与默认值建议
        • 起始：alpha=40, sigma=6, alpha_affine=6, p=0.3；根据训练收敛与可视化效果微调。
        • 若发现描述子对局部形变敏感，可逐步提高 alpha 或 p；若训练不稳定则降低。
      5. 验证与可视化
        • 在 tests/benchmark_grid.py 或新增简单可视化脚本中，采样 16 个 (original, rotated) 对，叠加可视化 H 变换后的网格，确认几何一致性未破坏。
        • 训练前 1000 个 batch：记录 loss_det/loss_desc 曲线，确认未出现异常发散。

  • 创建合成版图数据生成器

    • ✔️ 价值：解决真实版图数据获取难、数量少的问题，通过程序化生成大量多样化的训练样本。
    • 📝 执行计划：
      1. 新增脚本 tools/generate_synthetic_layouts.py
        • 目标：使用 gdstk 程序化生成包含不同尺寸、密度与单元类型的 GDSII 文件。
        • 主要能力：
          • 随机生成“标准单元”模版（如若干矩形/多边形组合）、金属走线、过孔阵列；
          • 支持多层（layer/datatype）与规则化阵列（row/col pitch）、占空比（density）控制；
          • 形状参数与布局由随机种子控制，支持可重复性。
        • CLI 设计（示例）：
          • --out-dir data/synthetic/gds、--num-samples 1000、--seed 42
          • 版图规格：--width 200um --height 200um --grid 0.1um
          • 多样性开关：--cell-types NAND,NOR,INV --metal-layers 3 --density 0.1-0.6
        • 关键实现要点：
          • 使用 gdstk.Library() 与 gdstk.Cell() 组装基本单元；
          • 通过 gdstk.Reference 和阵列生成放置；
          • 生成完成后 library.write_gds(path) 落盘。
      2. 批量转换 GDSII → PNG（训练用）
        • 现状核对：仓库中暂无 tools/layout2png.py；计划新增该脚本（与本项一并交付）。
        • 推荐实现 A（首选）：使用 klayout 的 Python API（pya）以无头模式加载 GDS，指定层映射与缩放，导出为高分辨率 PNG：
          • 脚本 tools/layout2png.py 提供 CLI：--in data/synthetic/gds --out data/synthetic/png --dpi 600 --layers 1/0:gray,2/0:blue ...
          • 支持目录批量与单文件转换；可配置画布背景、线宽、边距。
        • 替代实现 B：导出 SVG 再用 cairosvg 转 PNG（依赖已在项目中），适合无 klayout 环境的场景。
        • 输出命名规范：与 GDS 同名，如 chip_000123.gds → chip_000123.png。
      3. 数据目录与元数据
        • 目录结构建议：
          • data/synthetic/gds/、data/synthetic/png/、data/synthetic/meta/
        • 可选：为每个样本生成 meta/*.json，记录层数、单元类型分布、密度等，用于后续分析/分层采样。
      4. 与训练集集成
        • configs/base_config.yaml 新增：
          • paths.synthetic_dir: data/synthetic/png
          • training.use_synthetic_ratio: 0.0~1.0（混合采样比例；例如 0.3 表示 30% 合成样本）
        • 在 train.py 中：
          • 若 use_synthetic_ratio>0，构建一个 ICLayoutTrainingDataset 指向合成 PNG 目录；
          • 实现简单的比例采样器或 ConcatDataset + WeightedRandomSampler 以按比例混合真实与合成样本。
      5. 质量与稳健性检查
        • 可视化抽样：随机展示若干 PNG，检查层次颜色、对比度、线宽是否清晰；
        • 分布对齐：统计真实数据与合成数据的连线长度分布、拓扑度量（如节点度、环路数量），做基础分布对齐；
        • 训练烟雾测试：仅用 100～200 个合成样本跑 1～2 个 epoch，确认训练闭环无错误、loss 正常下降。
      6. 基准验证与复盘
        • 在 tests/benchmark_grid.py 与 tests/benchmark_backbones.py 增加一组“仅真实 / 真实+合成”的对照实验；
        • 记录 mAP/匹配召回/描述子一致性等指标，评估增益；
        • 产出 docs/Performance_Benchmark.md 的对比表格。

验收标准 (Acceptance Criteria)

  • Elastic 变形：
    • 训练数据可视化（含 H 网格叠加）无几何错位；
    • 训练前若干 step loss 无异常尖峰，长期收敛不劣于 baseline；
    • 可通过配置无缝开/关与调参。
  • 合成数据：
    • 能批量生成带多层元素的 GDS 文件并成功转为 PNG；
    • 训练脚本可按设定比例混合采样真实与合成样本；
    • 在小规模对照实验中，验证指标有稳定或可解释的变化（不劣化）。

风险与规避 (Risks & Mitigations)

  • 非刚性变形破坏 H 的风险：仅在生成 homography 前对基准 patch 施加 Elastic，或在两图上施加相同变形但更新 H′=f∘H∘f⁻¹（当前计划采用前者，简单且稳定）。
  • GDS → PNG 渲染差异：优先使用 klayout，保持工业级渲染一致性；无 klayout 时使用 SVG→PNG 备选路径。
  • 合成分布与真实分布不匹配：通过密度与单元类型分布约束进行对齐，并在训练中控制混合比例渐进提升。

里程碑与时间估算 (Milestones & ETA)

二、实现状态与使用说明（2025-10-20 更新）

  • Elastic 变形已按计划集成：

    • 开关与参数：见 configs/base_config.yaml 下的 augment.elastic 与 augment.photometric；
    • 数据集实现：data/ic_dataset.py 中 ICLayoutTrainingDataset；
    • 可视化验证：tools/preview_dataset.py --dir <png_dir> --n 8 --elastic。

  • 合成数据生成与渲染：

    • 生成 GDS：tools/generate_synthetic_layouts.py --out-dir data/synthetic/gds --num 100 --seed 42；
    • 转换 PNG：tools/layout2png.py --in data/synthetic/gds --out data/synthetic/png --dpi 600；
    • 训练混采：在 configs/base_config.yaml 设置 synthetic.enabled: true、synthetic.png_dir: data/synthetic/png、synthetic.ratio: 0.3。

  • 训练脚本：

    • train.py 已接入真实/合成混采（ConcatDataset + WeightedRandomSampler），验证集仅用真实数据；
    • TensorBoard 文本摘要记录数据构成（mix 开关、比例、样本量）。

注意：若未安装 KLayout，可自动回退 gdstk+SVG 路径；显示效果可能与 KLayout 存在差异。

  • D1：Elastic 集成 + 可视化验证（代码改动与测试）
  • D2：合成生成器初版（GDS 生成 + PNG 渲染脚本）
  • D3：训练混合采样接入 + 小规模基准
  • D4：参数扫与报告更新（Performance_Benchmark.md）

一键流水线（生成 → 渲染 → 预览 → 训练）

  1. 生成 GDS（合成版图）
uv run python tools/generate_synthetic_layouts.py --out_dir data/synthetic/gds --num 200 --seed 42
  1. 渲染 PNG（KLayout 优先，自动回退 gdstk+SVG）
uv run python tools/layout2png.py --in data/synthetic/gds --out data/synthetic/png --dpi 600
  1. 预览训练对（核验增强/H 一致性）
uv run python tools/preview_dataset.py --dir data/synthetic/png --out preview.png --n 8 --elastic
  1. 在 YAML 中开启混采与 Elastic（示例）
synthetic:
	enabled: true
	png_dir: data/synthetic/png
	ratio: 0.3

augment:
	elastic:
		enabled: true
		alpha: 40
		sigma: 6
		alpha_affine: 6
		prob: 0.3
  1. 开始训练
uv run python train.py --config configs/base_config.yaml

可选：使用单脚本一键执行（含配置写回）

uv run python tools/synth_pipeline.py --out_root data/synthetic --num 200 --dpi 600 \
	--config configs/base_config.yaml --ratio 0.3 --enable_elastic

参数建议与经验

  • 渲染 DPI：600–900 通常足够，图形极细时可提高到 1200（注意磁盘与 IO）。
  • 混采比例 synthetic.ratio：
    • 数据少（<500 张）可取 0.3–0.5；
    • 数据中等（500–2000 张）建议 0.2–0.3；
    • 数据多（>2000 张）建议 0.1–0.2 以免分布偏移。
  • Elastic 强度：从 alpha=40, sigma=6 开始；若描述子对局部形变敏感，可小步上调 alpha 或 prob。

质量检查清单（建议在首次跑通后执行）

  • 预览拼图无明显几何错位（orig/rot 对应边界对齐合理）。
  • 训练日志包含混采信息（real/syn 样本量、ratio、启停状态）。
  • 若开启 Elastic，训练初期 loss 无异常尖峰，长期收敛不劣于 baseline。
  • 渲染 PNG 与 GDS 在关键层上形态一致（优先使用 KLayout）。

常见问题与排查（FAQ）

  • klayout: command not found
    • 方案A：安装系统级 KLayout 并确保可执行文件在 PATH；
    • 方案B：暂用 gdstk+SVG 回退（外观可能略有差异）。
  • cairosvg 报错或 SVG 不生成
    • 升级 cairosvg 与 gdstk；确保磁盘有写入权限；检查 .svg 是否被安全软件拦截。
  • gdstk 版本缺少 write_svg
    • 尝试升级 gdstk；脚本已做 library 与 cell 双路径兼容，仍失败则优先使用 KLayout。
  • 训练集为空或样本过少
    • 检查 paths.layout_dir 与 synthetic.png_dir 是否存在且包含 .png；ratio>0 但 syn 目录为空会自动回退仅真实数据。