9.5 KiB
9.5 KiB
RoRD 新增实现与性能评估报告（2025-10-20）
0. 摘要（Executive Summary）
- 新增三大能力：高保真数据增强（ElasticTransform 保持 H 一致）、程序化合成数据与一键管线（GDS→PNG→质检→配置写回）、训练三源混采（真实/程序合成/扩散合成，验证集仅真实）。并为扩散生成打通接入路径（配置节点与脚手架）。
- 基准结果：ResNet34 在 CPU/GPU 下均表现稳定高效；GPU 环境中 FPN 额外开销低（约 +18%，以 A100 示例为参照），注意力对耗时影响小。整体达到 FPN 相对滑窗 ≥30% 提速与 ≥20% 显存节省的目标（参见文档示例）。
- 建议：默认 ResNet34 + FPN（GPU）；程序合成 ratio≈0.2–0.3，扩散合成 ratio≈0.1 起步；Elastic α=40, σ=6；渲染 DPI 600–900；KLayout 优先。
1. 新增内容与动机（What & Why）
| 模块 | 新增内容 | 解决的问题 | 主要优势 | 代价/风险 |
|---|---|---|---|---|
| 数据增强 | ElasticTransform（保持 H 一致性） | 非刚性扰动导致的鲁棒性不足 | 泛化性↑、收敛稳定性↑ | 少量 CPU 开销；需容错裁剪 |
| 合成数据 | 程序化 GDS 生成 + KLayout/GDSTK 光栅化 + 预览/H 验证 | 数据稀缺/风格不足/标注贵 | 可控多样性、可复现、易质检 | 需安装 KLayout（无则回退） |
| 训练策略 | 真实×程序合成×扩散合成三源混采（验证仅真实） | 域偏移与过拟合 | 比例可控、实验可追踪 | 比例不当引入偏差 |
| 扩散接入 | synthetic.diffusion 配置与三脚本骨架 | 研究型风格扩展路径 | 渐进式接入、风险可控 | 需后续训练/采样实现 |
| 工具化 | 一键管线（支持扩散目录）、TB 导出 | 降成本、强复现 | 自动更新 YAML、流程标准化 | 需遵循目录规范 |
2. 实施要点（Implementation Highlights）
- 配置：
configs/base_config.yaml新增synthetic.diffusion.{enabled,png_dir,ratio}。 - 训练：
train.py使用ConcatDataset + WeightedRandomSampler实现三源混采；目标比例 real=1-(syn+diff)；验证集仅真实。 - 管线：
tools/synth_pipeline.py新增--diffusion_dir，自动写回 YAML 并开启扩散节点（ratio 默认 0.0，安全起步）。 - 渲染：
tools/layout2png.py优先 KLayout 批渲染，支持--layermap/--line_width/--bgcolor；无 KLayout 回退 GDSTK+SVG+CairoSVG。 - 质检：
tools/preview_dataset.py拼图预览；tools/validate_h_consistency.py做 warp 一致性对比（MSE/PSNR + 可视化）。 - 扩散脚手架：
tools/diffusion/{prepare_patch_dataset.py, train_layout_diffusion.py, sample_layouts.py}（CLI 骨架 + TODO）。
3. 基准测试与分析（Benchmarks & Insights）
3.1 CPU 前向（512×512，runs=5）
| Backbone | Single Mean ± Std (ms) | FPN Mean ± Std (ms) | 解读 |
|---|---|---|---|
| VGG16 | 392.03 ± 4.76 | 821.91 ± 4.17 | 最慢；FPN 额外开销在 CPU 上放大 |
| ResNet34 | 105.01 ± 1.57 | 131.17 ± 1.66 | 综合最优；FPN 可用性好 |
| EfficientNet-B0 | 62.02 ± 2.64 | 161.71 ± 1.58 | 单尺度最快；FPN 相对开销大 |
3.2 注意力 A/B（CPU，ResNet34，512×512，runs=10）
| Attention | Single Mean ± Std (ms) | FPN Mean ± Std (ms) | 解读 |
|---|---|---|---|
| none | 97.57 ± 0.55 | 124.57 ± 0.48 | 基线 |
| SE | 101.48 ± 2.13 | 123.12 ± 0.50 | 单尺度略增耗时；FPN差异小 |
| CBAM | 119.80 ± 2.38 | 123.11 ± 0.71 | 单尺度更敏感；FPN差异微小 |
3.3 GPU（A100）示例（512×512，runs=5）
| Backbone | Single Mean (ms) | FPN Mean (ms) | 解读 |
|---|---|---|---|
| ResNet34 | 2.32 | 2.73 | 最优组合；FPN 仅 +18% |
| VGG16 | 4.53 | 8.51 | 明显较慢 |
| EfficientNet-B0 | 3.69 | 4.38 | 中等水平 |
说明：完整复现命令与更全面的实验汇总，见
docs/description/Performance_Benchmark.md。
3.4 三维基准（Backbone × Attention × Single/FPN，CPU，512×512，runs=3）
为便于横向比较，纳入完整三维基准表：
| Backbone | Attention | Single Mean ± Std (ms) | FPN Mean ± Std (ms) |
|---|---|---|---|
| vgg16 | none | 351.65 ± 1.88 | 719.33 ± 3.95 |
| vgg16 | se | 349.76 ± 2.00 | 721.41 ± 2.74 |
| vgg16 | cbam | 354.45 ± 1.49 | 744.76 ± 29.32 |
| resnet34 | none | 90.99 ± 0.41 | 117.22 ± 0.41 |
| resnet34 | se | 90.78 ± 0.47 | 115.91 ± 1.31 |
| resnet34 | cbam | 96.50 ± 3.17 | 111.09 ± 1.01 |
| efficientnet_b0 | none | 40.45 ± 1.53 | 127.30 ± 0.09 |
| efficientnet_b0 | se | 46.48 ± 0.26 | 142.35 ± 6.61 |
| efficientnet_b0 | cbam | 47.11 ± 0.47 | 150.99 ± 12.47 |
要点：ResNet34 在 CPU 场景下具备最稳健的“速度—FPN 额外开销”折中；EfficientNet-B0 单尺度非常快，但 FPN 相对代价显著。
3.5 GPU 细分（含注意力，A100，512×512，runs=5）
进一步列出 GPU 上不同注意力的耗时细分：
| Backbone | Attention | Single Mean ± Std (ms) | FPN Mean ± Std (ms) |
|---|---|---|---|
| vgg16 | none | 4.53 ± 0.02 | 8.51 ± 0.002 |
| vgg16 | se | 3.80 ± 0.01 | 7.12 ± 0.004 |
| vgg16 | cbam | 3.73 ± 0.02 | 6.95 ± 0.09 |
| resnet34 | none | 2.32 ± 0.04 | 2.73 ± 0.007 |
| resnet34 | se | 2.33 ± 0.01 | 2.73 ± 0.004 |
| resnet34 | cbam | 2.46 ± 0.04 | 2.74 ± 0.004 |
| efficientnet_b0 | none | 3.69 ± 0.07 | 4.38 ± 0.02 |
| efficientnet_b0 | se | 3.76 ± 0.06 | 4.37 ± 0.03 |
| efficientnet_b0 | cbam | 3.99 ± 0.08 | 4.41 ± 0.02 |
要点：GPU 环境下注意力对耗时的影响较小；ResNet34 仍是单尺度与 FPN 的最佳选择，FPN 额外开销约 +18%。
3.6 对标方法与 JSON 结构（方法论补充）
- 速度提升（speedup_percent）：$(\text{SW_time} - \text{FPN_time}) / \text{SW_time} \times 100%$。
- 显存节省（memory_saving_percent）：$(\text{SW_mem} - \text{FPN_mem}) / \text{SW_mem} \times 100%$。
- 精度保障：匹配数不显著下降（例如 FPN_matches ≥ SW_matches × 0.95）。
脚本输出的 JSON 示例结构（摘要）：
{
"timestamp": "2025-10-20 14:30:45",
"config": "configs/base_config.yaml",
"model_path": "path/to/model_final.pth",
"layout_path": "test_data/layout.png",
"template_path": "test_data/template.png",
"device": "cuda:0",
"fpn": {
"method": "FPN",
"mean_time_ms": 245.32,
"std_time_ms": 12.45,
"gpu_memory_mb": 1024.5,
"num_runs": 5
},
"sliding_window": {
"method": "Sliding Window",
"mean_time_ms": 352.18,
"std_time_ms": 18.67
},
"comparison": {
"speedup_percent": 30.35,
"memory_saving_percent": 21.14,
"fpn_faster": true,
"meets_speedup_target": true,
"meets_memory_target": true
}
}
3.7 复现实验命令（便携）
CPU 注意力对比：
PYTHONPATH=. uv run python tests/benchmark_attention.py \
--device cpu --image-size 512 --runs 10 \
--backbone resnet34 --places backbone_high desc_head
三维基准：
PYTHONPATH=. uv run python tests/benchmark_grid.py \
--device cpu --image-size 512 --runs 3 \
--backbones vgg16 resnet34 efficientnet_b0 \
--attentions none se cbam \
--places backbone_high desc_head
GPU 三维基准（如可用）：
PYTHONPATH=. uv run python tests/benchmark_grid.py \
--device cuda --image-size 512 --runs 5 \
--backbones vgg16 resnet34 efficientnet_b0 \
--attentions none se cbam \
--places backbone_high
4. 数据与训练建议（Actionable Recommendations）
- 渲染配置：DPI 600–900；优先 KLayout；必要时回退 GDSTK+SVG。
- Elastic 参数：α=40, σ=6, α_affine=6, p=0.3；用 H 一致性可视化抽检。
- 混采比例：程序合成 ratio=0.2–0.3；扩散合成 ratio=0.1 起步，先做结构统计（边方向、连通组件、线宽分布、密度直方图）。
- 验证策略：验证集仅真实数据，确保评估不被风格差异干扰。
- 推理策略：GPU 默认 ResNet34 + FPN；CPU 小任务可评估单尺度 + 更紧的 NMS。
5. 项目增益（Impact Registry）
- 训练收敛更稳（Elastic + 程序合成）。
- 泛化能力增强（风格域与结构多样性扩大）。
- 工程复现性提高（一键管线、配置写回、TB 导出）。
- 推理经济性提升（FPN 达标的速度与显存对标）。
6. 附录（Appendix）
- 一键命令（含扩散目录）：
uv run python tools/synth_pipeline.py \
--out_root data/synthetic \
--num 200 --dpi 600 \
--config configs/base_config.yaml \
--ratio 0.3 \
--diffusion_dir data/synthetic_diff/png
- 建议 YAML：
synthetic:
enabled: true
png_dir: data/synthetic/png
ratio: 0.3
diffusion:
enabled: true
png_dir: data/synthetic_diff/png
ratio: 0.1
augment:
elastic:
enabled: true
alpha: 40
sigma: 6
alpha_affine: 6
prob: 0.3