更新readme文件

README.md

@@ -1,7 +1,7 @@
 # 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)
-![Python Version](https://img.shields.io/badge/Python-3.8%2B-blue)
+![Python Version](https://img.shields.io/badge/Python-3.12-blue)
 ![License](https://img.shields.io/badge/License-Apache%202.0-orange.svg)
 
 ## 📖 描述
@@ -12,12 +12,13 @@ IC 版图在匹配时可能出现多种方向（0°、90°、180°、270° 及
 
 ### ✨ 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**。
+* **模型实现**：基于 D2-Net 思路，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**；支持可切换骨干（`vgg16` / `resnet34` / `efficientnet_b0`）。
 * **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。
+* **匹配工具**：支持 FPN 多尺度推理与滑窗两种路径，并提供半径 NMS 去重；可直接输出多实例匹配结果。
 * **灵活配置与日志**：引入 OmegaConf 驱动的 YAML 配置 (`configs/*.yaml`)，配合 `utils.config_loader` 与 TensorBoard 监控实现参数/路径集中管理。
+* **性能工具**：提供 FPN vs 滑窗的对标脚本与多骨干 A/B 基准脚本，便于快速评估速度/显存与精度。
 
 ## 🛠️ 安装
 
@@ -58,7 +59,7 @@ RoRD-Layout-Recognation/
 │   ├── loss_function.md
 │   └── NextStep.md
 ├── models/
-│   └── rord.py                   # RoRD 模型定义
+│   └── rord.py                   # RoRD 模型与 FPN，多骨干支持
 ├── utils/
 │   ├── config_loader.py          # YAML 配置加载与路径转换
 │   ├── data_utils.py
@@ -66,7 +67,10 @@ RoRD-Layout-Recognation/
 ├── losses.py                     # 几何感知损失集合
 ├── train.py                      # 训练脚本（YAML + TensorBoard）
 ├── evaluate.py                   # 评估脚本
-├── match.py                      # 模板匹配脚本
+├── match.py                      # 模板匹配脚本（FPN / 滑窗 + NMS）
+├── tests/
+│   ├── benchmark_fpn.py          # FPN vs 滑窗性能对标
+│   └── benchmark_backbones.py    # 多骨干 A/B 前向基准
 ├── config.py                     # 兼容旧流程的 YAML 读取 shim
 ├── pyproject.toml
 └── README.md
@@ -78,6 +82,11 @@ RoRD-Layout-Recognation/
 - **旧配置兼容**：`config.py` 现在仅作为兼容层，将 YAML 配置转换成原有的 Python 常量，便于逐步迁移历史代码。
 - **损失与数据解耦**：`losses.py` 汇总几何感知损失，`data/ic_dataset.py` 与 `utils/data_utils.py` 分离数据准备逻辑，便于扩展新的采样策略或损失项。
 - **日志体系**：`logging` 配置节配合 TensorBoard 集成，`train.py`、`evaluate.py`、`match.py` 可统一写入 `log_dir/子任务/experiment_name`。
+ - **模型配置扩展**：
+   - `model.backbone.name`: `vgg16 | resnet34 | efficientnet_b0`
+   - `model.backbone.pretrained`: 是否加载 ImageNet 预训练
+   - `model.attention`: `enabled/type/places`（默认关闭，可选 `cbam` / `se`）
+   - `model.fpn`: `enabled/out_channels/levels`
 
 ## 🚀 使用方法
 
@@ -163,7 +172,7 @@ python train.py --help
 - 最佳模型：`rord_model_best.pth`
 - 最终模型：`rord_model_final.pth`
 
-### <EFBFBD> TensorBoard 实验追踪
+### 📈 TensorBoard 实验追踪
 
 `configs/base_config.yaml` 中新增的 `logging` 区块用于控制 TensorBoard：
 
@@ -195,7 +204,7 @@ TensorBoard 中将展示：
 - `evaluate.py`：精确率 / 召回率 / F1 分数；
 - `match.py`（配合 `--tb_log_matches`）：每个匹配实例的内点数量、尺度和总检测数量。
 
-### <EFBFBD>🚀 快速开始示例
+### 🚀 快速开始示例
 ```bash
 # 1. 安装依赖
 uv sync
@@ -287,6 +296,15 @@ model:
     out_channels: 256
     levels: [2, 3, 4]
 
+  backbone:
+    name: "vgg16"                  # 可选：vgg16 | resnet34 | efficientnet_b0
+    pretrained: false
+
+  attention:
+    enabled: false
+    type: "none"                   # 可选：none | cbam | se
+    places: []                      # 插入位置：backbone_high | det_head | desc_head
+
 matching:
   use_fpn: true
   nms:
@@ -329,14 +347,13 @@ uv run python match.py --config configs/base_config.yaml --no_nms \
 **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
+可参考以下文档与脚本复现并查看最新结果：
 
-[待补充：请在此处添加预训练模型的链接或基准测试结果。]
+- CPU 多骨干 A/B 基准（512×512，5 次）：见 `docs/description/Performance_Benchmark.md`
+- FPN vs 滑窗对标脚本：`tests/benchmark_fpn.py`
+- 多骨干 A/B 基准脚本：`tests/benchmark_backbones.py`
 
-* **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
+后续将在 GPU 与真实数据集上补充精度与速度的完整对标表格。
 
 ## 📄 许可协议