Jiao77/RoRD-Layout-Recognation
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

修改readme 二次

Browse Source
This commit is contained in:
Jiao77
2025-06-08 14:56:13 +08:00
parent f10464bfc3
commit 53ef1ec99c
1 changed files with 78 additions and 103 deletions
Download Patch File Download Diff File Expand all files Collapse all files

181
README.md
View File

@@ -1,174 +1,149 @@
基于 AI 的集成电路版图识别：RoRD 模型 # RoRD: 基于 AI 的集成电路版图识别
描述 [//]: # (徽章占位符：您可以根据需要添加构建状态、版本号等徽章)
![Python Version](https://img.shields.io/badge/Python-3.8%2B-blue)
![License](https://img.shields.io/badge/License-Apache%202.0-orange.svg)
本项目实现了 RoRD（Rotation-Robust Descriptors）模型，用于集成电路（IC）版图识别。RoRD 是一种先进的局部特征匹配方法，具有旋转鲁棒性，特别适合于 IC 版图，因为它们可能以各种方向出现（0°、90°、180°、270°及其镜像）。项目通过自监督学习和随机旋转增强，解决了数据稀缺性、几何多变性、动态扩展性和结构复杂性等挑战。 ## 📖 描述
项目包括： 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 模型通过其旋转鲁棒性设计，能够有效应对这一挑战。 项目采用自监督学习和随机旋转的数据增强策略，旨在解决 IC 版图识别中常见的数据稀缺性、几何多变性、动态扩展性和结构复杂性等问题。
模型实现：适用于 IC 版图的 RoRD 模型，使用 PyTorch，基于 D2-Net 架构。 ### ✨ 主要功能
数据加载：自定义数据集类 ICLayoutDataset，用于加载光栅化的 IC 版图图像。 * **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。
* **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。
* **训练脚本**：通过随机旋转生成训练对，以自监督的方式训练模型，确保其旋转鲁棒性。
* **评估脚本**：可在验证集上评估模型性能，计算精确率、召回率和 F1 分数。
* **匹配工具**：使用训练好的模型进行模板匹配，支持多实例检测和匹配结果的可视化。
训练脚本：通过随机旋转进行自监督训练，确保模型对旋转鲁棒。 ## 🛠️ 安装
评估脚本：在验证集上评估模型性能，计算精确率、召回率和 F1 分数。 ### 环境要求
匹配工具：使用训练好的模型进行模板匹配，支持多实例匹配和可视化。 * Python 3.8 或更高版本
* CUDA (可选, 推荐用于 GPU 加速)
### 依赖安装
安装 推荐使用 `uv` 进行安装：
环境要求
Python 3.8 或更高版本
CUDA（可选，用于 GPU 加速）
依赖安装
使用 uv 安装依赖库：
```bash ```bash
uv add torch torchvision opencv-python numpy Pillow uv add torch torchvision opencv-python numpy Pillow
uv lock uv lock
uv sync uv sync
``` ```
或者使用 pip： 或者，您也可以使用 `pip`：
```bash ```bash
pip install torch torchvision opencv-python numpy Pillow pip install torch torchvision opencv-python numpy Pillow
``` ```
使用方法 ## 🚀 使用方法
项目结构 ### 📁 项目结构
```
ic_layout_recognition/ ic_layout_recognition/
├── data/ ├── data/
│ └── ic_dataset.py
│ ├── ic_dataset.py
├── utils/
│ ├── transforms.py
├── models/ ├── models/
│ └── rord.py
│ ├── rord.py ├── utils/
│ └── transforms.py
├── train.py ├── train.py
├── evaluate.py ├── evaluate.py
├── match.py ├── match.py
├── LICENSE.txt
├── requirements.txt
└── README.md └── README.md
```
### 1. 训练模型
训练 使用以下命令启动模型训练。训练过程采用自监督学习，通过对图像应用随机旋转来生成训练对，从而优化关键点检测和描述子生成。
运行以下命令训练模型：
```bash ```bash
python train.py --data_dir path/to/layouts --save_dir path/to/save python train.py --data_dir path/to/layouts --save_dir path/to/save
``` ```
| 参数 | 描述 |
| :--- | :--- |
| `--data_dir` | **[必需]** 包含 PNG 格式 IC 版图图像的目录。 |
| `--save_dir` | **[必需]** 训练好的模型权重保存目录。 |
--data_dir：包含 PNG 格式 IC 版图图像的目录。 ### 2. 评估模型
--save_dir：模型权重保存目录。训练过程使用自监督学习，通过随机旋转生成训练对，优化关键点检测和描述子生成。 使用以下命令在验证集上评估模型的性能。评估脚本会计算基于 IoU 阈值的精确率、召回率和 F1 分数。
评估
运行以下命令评估模型性能：
```bash ```bash
python evaluate.py --model_path path/to/model.pth --val_dir path/to/val/images --annotations_dir path/to/val/annotations --templates path/to/templates python evaluate.py --model_path path/to/model.pth --val_dir path/to/val/images --annotations_dir path/to/val/annotations --templates path/to/templates
``` ```
| 参数 | 描述 |
| :--- | :--- |
| `--model_path` | **[必需]** 训练好的模型权重 (`.pth`) 文件路径。 |
| `--val_dir` | **[必需]** 验证集图像目录。 |
| `--annotations_dir` | **[必需]** 包含真实标注的 JSON 文件目录。 |
| `--templates` | **[必需]** 模板图像的路径列表。 |
--model_path：训练好的模型权重路径。 ### 3. 进行模板匹配
--val_dir：验证集图像目录。 使用以下命令将模板图像与指定的版图图像进行匹配。匹配过程利用 RoRD 模型提取关键点和描述子，通过互最近邻（MNN）匹配和 RANSAC 几何验证来定位模板。
--annotations_dir：JSON 格式的真实标注目录。
--templates：模板图像路径列表。评估结果包括精确率、召回率和 F1 分数，基于 IoU（Intersection over Union）阈值。
模板匹配
运行以下命令进行模板匹配：
```bash ```bash
python match.py --model_path path/to/model.pth --layout_path path/to/layout.png --template_path path/to/template.png --output_path path/to/output.png python match.py --model_path path/to/model.pth --layout_path path/to/layout.png --template_path path/to/template.png --output_path path/to/output.png
``` ```
| 参数 | 描述 |
| :--- | :--- |
| `--model_path` | **[必需]** 训练好的模型权重 (`.pth`) 文件路径。 |
| `--layout_path` | **[必需]** 待匹配的版图图像路径。 |
| `--template_path` | **[必需]** 模板图像路径。 |
| `--output_path` | **[可选]** 保存可视化匹配结果的路径。 |
--layout_path：版图图像路径。 ## 📦 数据准备
--template_path：模板图像路径。 ### 训练数据
--output_path：可视化结果保存路径（可选）。匹配过程使用 RoRD 模型提取关键点和描述子，通过互最近邻（MNN）匹配和 RANSAC 几何验证，生成边界框并支持多实例匹配。 * **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
数据准备 * **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`）。
训练数据 * **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`）。
格式：PNG 格式的 IC 版图图像，从 GDSII 或 OASIS 文件光栅化。
要求：数据集应包含多个版图图像，建议分辨率适中（如 1024x1024）。
路径：存储在 path/to/layouts 目录中。
验证数据
图像：PNG 格式的验证集图像，存储在 path/to/val/images。
注释：JSON 格式的真实标注，存储在 path/to/val/annotations，示例：{
JSON 标注文件示例：
```json
{
"boxes": [ "boxes": [
{"template": "template1.png", "x": 100, "y": 200, "width": 50, "height": 50}, {"template": "template1.png", "x": 100, "y": 200, "width": 50, "height": 50},
{"template": "template2.png", "x": 300, "y": 400, "width": 60, "height": 60} {"template": "template2.png", "x": 300, "y": 400, "width": 60, "height": 60}
] ]
} }
```
## 🧠 模型架构
模板：模板图像存储在 path/to/templates，文件名需与注释中的 template 字段一致。 RoRD 模型基于 D2-Net 架构，并使用 VGG-16 作为其骨干网络。
模型 * **检测头**: 用于检测关键点，输出一个概率图。
* **描述子头**: 生成 128 维的旋转鲁棒描述子，专门为 IC 版图的 8 个离散旋转方向进行了适配。
RoRD 模型基于 D2-Net 架构，使用 VGG-16 作为骨干网络。它包括： 模型通过自监督学习进行训练，利用 0° 到 360° 的随机旋转生成训练对，以同时优化关键点的检测重复性和描述子的相似性。
## 📊 结果
检测头：用于关键点检测，输出概率图。 [待补充：请在此处添加预训练模型的链接或基准测试结果。]
描述子头：生成旋转鲁棒的 128 维描述子，适配 IC 版图的 8 个离散旋转方向。模型通过自监督学习训练，使用随机旋转（0°~360°）生成训练对，优化检测重复性和描述子相似性。 * **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
结果 * F1 分数: Z
[待补充：如果有预训练模型或基准测试结果，请在此列出。例如：]
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。