220 lines
7.3 KiB
Markdown
220 lines
7.3 KiB
Markdown
# RoRD: 基于 AI 的集成电路版图识别
|
||
|
||
[//]: # (徽章占位符：您可以根据需要添加构建状态、版本号等徽章)
|
||
|
||
|
||
|
||
## 📖 描述
|
||
|
||
本项目实现了 **RoRD (Rotation-Robust Descriptors)** 模型，这是一种先进的局部特征匹配方法，专用于集成电路（IC）版图的识别。
|
||
|
||
IC 版图在匹配时可能出现多种方向（0°、90°、180°、270° 及其镜像），RoRD 模型通过其**几何感知损失函数**和**曼哈顿结构优化**的设计，能够有效应对这一挑战。项目采用**几何结构学习**而非纹理学习的训练策略，专门针对 IC 版图的二值化、稀疏性、重复结构和曼哈顿几何特征进行了深度优化。
|
||
|
||
### ✨ 主要功能
|
||
|
||
* **模型实现**：基于 D2-Net 架构，使用 PyTorch 实现了适用于 IC 版图的 RoRD 模型，**专门针对几何结构学习优化**。
|
||
* **数据加载**：提供了自定义的 `ICLayoutDataset` 类，用于加载光栅化的 IC 版图图像，支持**曼哈顿几何感知采样**。
|
||
* **训练脚本**：通过**几何感知损失函数**训练模型，学习**几何结构描述子**而非纹理特征，确保对二值化、稀疏性、重复结构的鲁棒性。
|
||
* **评估脚本**：可在验证集上评估模型性能，**专门针对IC版图特征**计算几何一致性指标。
|
||
* **匹配工具**：使用训练好的模型进行**几何结构匹配**，有效区分重复图形并支持多实例检测。
|
||
|
||
## 🛠️ 安装
|
||
|
||
### 环境要求
|
||
|
||
* Python 3.8 或更高版本
|
||
* CUDA (可选, 推荐用于 GPU 加速)
|
||
|
||
### 依赖安装
|
||
|
||
**使用 uv（推荐）：**
|
||
```bash
|
||
# 安装 uv（如果尚未安装）
|
||
pip install uv
|
||
|
||
# 安装项目依赖
|
||
uv sync
|
||
```
|
||
|
||
**使用 pip：**
|
||
```bash
|
||
pip install -e .
|
||
```
|
||
|
||
## 🚀 使用方法
|
||
|
||
### 📁 项目结构
|
||
|
||
```
|
||
ic_layout_recognition/
|
||
├── data/
|
||
│ └── ic_dataset.py
|
||
├── models/
|
||
│ └── rord.py
|
||
├── utils/
|
||
│ └── transforms.py
|
||
├── train.py
|
||
├── evaluate.py
|
||
├── match.py
|
||
├── LICENSE.txt
|
||
└── README.md
|
||
```
|
||
|
||
## 🚀 使用方法
|
||
|
||
### 📋 训练准备清单
|
||
|
||
在开始训练前，请确保完成以下准备：
|
||
|
||
#### 1. 数据准备
|
||
- **训练数据**：准备PNG格式的布局图像（如电路板布局、建筑平面图等）
|
||
- **数据目录结构**：
|
||
```
|
||
your_data_directory/
|
||
├── image1.png
|
||
├── image2.png
|
||
└── ...
|
||
```
|
||
|
||
#### 2. 配置文件修改
|
||
编辑 `config.py` 文件，修改以下路径：
|
||
```python
|
||
# 必需修改的路径
|
||
LAYOUT_DIR = '你的布局图像目录路径' # 训练数据目录
|
||
SAVE_DIR = '你的模型和日志保存路径' # 输出目录
|
||
```
|
||
|
||
#### 3. 环境检查
|
||
确保已正确安装所有依赖：
|
||
```bash
|
||
python -c "import torch; print('PyTorch version:', torch.__version__)"
|
||
python -c "import cv2; print('OpenCV version:', cv2.__version__)"
|
||
```
|
||
|
||
### 🎯 开始训练
|
||
|
||
#### 基础训练
|
||
```bash
|
||
python train.py --data_dir /path/to/your/layouts --save_dir /path/to/your/models
|
||
```
|
||
|
||
#### 自定义训练参数
|
||
```bash
|
||
python train.py \
|
||
--data_dir /path/to/your/layouts \
|
||
--save_dir /path/to/your/models \
|
||
--epochs 50 \
|
||
--batch_size 8 \
|
||
--lr 5e-5
|
||
```
|
||
|
||
#### 查看所有可用参数
|
||
```bash
|
||
python train.py --help
|
||
```
|
||
|
||
### 📊 训练监控
|
||
训练过程中会在 `SAVE_DIR` 目录下生成：
|
||
- 日志文件：`training_YYYYMMDD_HHMMSS.log`
|
||
- 最佳模型：`rord_model_best.pth`
|
||
- 最终模型：`rord_model_final.pth`
|
||
|
||
### 🚀 快速开始示例
|
||
```bash
|
||
# 1. 安装依赖
|
||
uv sync
|
||
|
||
# 2. 修改配置文件
|
||
# 编辑 config.py 中的 LAYOUT_DIR 和 SAVE_DIR
|
||
|
||
# 3. 开始训练
|
||
python train.py --data_dir ./data/layouts --save_dir ./output
|
||
|
||
# 4. 使用训练好的模型进行匹配
|
||
python match.py --model_path ./output/rord_model_final.pth \
|
||
--layout ./test/layout.png \
|
||
--template ./test/template.png \
|
||
--output ./result.png
|
||
```
|
||
|
||
### 4. 模板匹配
|
||
```bash
|
||
python match.py --model_path /path/to/your/models/rord_model_final.pth \
|
||
--layout /path/to/layout.png \
|
||
--template /path/to/template.png \
|
||
--output /path/to/result.png
|
||
```
|
||
|
||
### 5. 评估模型
|
||
```bash
|
||
python evaluate.py --model_path /path/to/your/models/rord_model_final.pth \
|
||
--val_dir /path/to/val/images \
|
||
--annotations_dir /path/to/val/annotations \
|
||
--templates_dir /path/to/templates
|
||
```
|
||
|
||
## 📦 数据准备
|
||
|
||
### 训练数据
|
||
|
||
* **格式**: PNG 格式的 IC 版图图像，可从 GDSII 或 OASIS 文件光栅化得到。
|
||
* **要求**: 数据集应包含多个版图图像，建议分辨率适中（例如 1024x1024）。
|
||
* **存储**: 将所有训练图像存放在一个目录中（例如 `path/to/layouts`）。
|
||
|
||
### 验证数据
|
||
|
||
* **图像**: PNG 格式的验证集图像，存储在指定目录（例如 `path/to/val/images`）。
|
||
* **模板**: 所有模板图像存储在单独的目录中（例如 `path/to/templates`）。
|
||
* **标注**: 真实标注信息以 JSON 格式提供，文件名需与对应的验证图像一致，并存储在指定目录（例如 `path/to/val/annotations`）。
|
||
|
||
JSON 标注文件示例：
|
||
```json
|
||
{
|
||
"boxes": [
|
||
{"template": "template1.png", "x": 100, "y": 200, "width": 50, "height": 50},
|
||
{"template": "template2.png", "x": 300, "y": 400, "width": 60, "height": 60}
|
||
]
|
||
}
|
||
```
|
||
|
||
## 🧠 模型架构 - IC版图专用优化版
|
||
|
||
RoRD 模型基于 D2-Net 架构，使用 VGG-16 作为骨干网络，**专门针对IC版图的几何特征进行了深度优化**。
|
||
|
||
### 网络结构创新
|
||
* **检测头**: 用于检测**几何边界关键点**，输出二值化概率图，专门针对IC版图的黑白边界优化
|
||
* **描述子头**: 生成 128 维的**几何结构描述子**，而非纹理描述子，具有以下特性：
|
||
- **曼哈顿几何感知**: 专门针对水平和垂直结构优化
|
||
- **重复结构区分**: 能有效区分相同图形的不同实例
|
||
- **二值化鲁棒性**: 对光照变化完全不变
|
||
- **稀疏特征优化**: 专注于真实几何结构而非噪声
|
||
|
||
### 核心创新 - 几何感知损失函数
|
||
**专为IC版图特征设计**：
|
||
- **曼哈顿一致性损失**: 确保90度旋转下的几何一致性
|
||
- **稀疏性正则化**: 适应IC版图稀疏特征分布
|
||
- **二值化特征距离**: 强化几何边界特征，弱化灰度变化
|
||
- **几何感知困难负样本**: 基于结构相似性而非像素相似性选择负样本
|
||
|
||
### 训练策略 - 几何结构学习
|
||
模型通过**几何结构学习**策略进行训练：
|
||
- **曼哈顿变换生成训练对**: 利用90度旋转等曼哈顿变换
|
||
- **几何感知采样**: 优先采样水平和垂直方向的边缘点
|
||
- **结构一致性优化**: 学习几何结构描述子而非纹理特征
|
||
- **重复结构鲁棒性**: 有效处理IC版图中的大量重复图形
|
||
|
||
**关键区别**: 传统方法学习纹理特征，我们的方法**学习几何结构特征**，完美适应IC版图的二值化、稀疏性、重复结构和曼哈顿几何特征。
|
||
|
||
## 📊 结果
|
||
|
||
[待补充：请在此处添加预训练模型的链接或基准测试结果。]
|
||
|
||
* **预训练模型**: [链接待补充]
|
||
* **验证集评估指标**:
|
||
* 精确率: X
|
||
* 召回率: Y
|
||
* F1 分数: Z
|
||
|
||
## 📄 许可协议
|
||
|
||
本项目根据 [Apache License 2.0](LICENSE.txt) 授权。 |