175 lines
4.2 KiB
Markdown
175 lines
4.2 KiB
Markdown
基于 AI 的集成电路版图识别：RoRD 模型
|
||
|
||
描述
|
||
|
||
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。
|
||
|
||
项目包括：
|
||
|
||
|
||
模型实现：适用于 IC 版图的 RoRD 模型，使用 PyTorch，基于 D2-Net 架构。
|
||
|
||
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。
|
||
|
||
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。
|
||
|
||
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。
|
||
|
||
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。
|
||
|
||
|
||
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
|
||
uv add torch torchvision opencv-python numpy Pillow
|
||
uv lock
|
||
uv sync
|
||
```
|
||
|
||
或者使用 pip：
|
||
|
||
```bash
|
||
pip install torch torchvision opencv-python numpy Pillow
|
||
```
|
||
|
||
使用方法
|
||
|
||
项目结构
|
||
|
||
ic_layout_recognition/
|
||
|
||
├── data/
|
||
|
||
│ ├── ic_dataset.py
|
||
|
||
├── utils/
|
||
|
||
│ ├── transforms.py
|
||
|
||
├── models/
|
||
|
||
│ ├── rord.py
|
||
|
||
├── train.py
|
||
|
||
├── evaluate.py
|
||
|
||
├── match.py
|
||
|
||
├── requirements.txt
|
||
|
||
└── README.md
|
||
|
||
|
||
训练
|
||
|
||
运行以下命令训练模型：
|
||
|
||
```bash
|
||
python train.py --data_dir path/to/layouts --save_dir path/to/save
|
||
```
|
||
|
||
|
||
--data_dir：包含 PNG 格式 IC 版图图像的目录。
|
||
|
||
--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。
|
||
|
||
|
||
评估
|
||
|
||
运行以下命令评估模型性能：
|
||
|
||
```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
|
||
```
|
||
|
||
|
||
--model_path：训练好的模型权重路径。
|
||
|
||
--val_dir：验证集图像目录。
|
||
|
||
--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
|
||
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
|
||
```
|
||
|
||
|
||
--layout_path：版图图像路径。
|
||
|
||
--template_path：模板图像路径。
|
||
|
||
--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。
|
||
|
||
|
||
数据准备
|
||
|
||
训练数据
|
||
|
||
|
||
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：{
|
||
|
||
"boxes": [
|
||
|
||
{"template": "template1.png", "x": 100, "y": 200, "width": 50, "height": 50},
|
||
|
||
{"template": "template2.png", "x": 300, "y": 400, "width": 60, "height": 60}
|
||
|
||
]
|
||
|
||
}
|
||
|
||
|
||
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。
|
||
|
||
模型
|
||
|
||
RoRD 模型基于 D2-Net 架构，使用 VGG-16 作为骨干网络。它包括：
|
||
|
||
|
||
检测头：用于关键点检测，输出概率图。
|
||
|
||
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。
|
||
|
||
|
||
|
||
结果
|
||
|
||
[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
|
||
|
||
|