reference

训练参数及范围

reference模型训练的参数名、类型、取值范围、默认值及说明如下表1所示。

表1 reference模型训练参数说明（wafer_mindspore/reference/reference_train.py）
参数名	类型	取值范围	默认值	说明
--rgb_dir	str	-	./xxx/	RGB图目录路径。
--batch_size	int	[1, 128]	16	训练batch大小。
--epochs	int	[1, 100]	50	训练次数。
--train_output_path	str	-	'./ckpt'	ckpt保存路径。
--chip_id	str	-	""	芯片ID。
--setupid	str	-	""	芯片层。
--klarf_file	str	-	"xxx"	klarf文件名，文件需放在“rgb_dir”目录下。
--gray_file	str	-	"xxx"	灰度图文件名，文件需放在“rgb_dir”目录下。
--device_num	int	1,2,4,8	1	使用的训练卡数量。
--device_id	int	[0, 7]	0	单卡训练时使用的训练卡ID。
--rank_table_file	str	-	None	多卡训练使用的“rank_table_file”路径。

必须放在“rgb_dir”目录下新建一个“new_image”文件夹，用于放置待配准图片。

输入参数中依赖的“klarf_file”必须是一个txt文件，描述了机台拍摄图片的相关信息，需遵循以下规则进行编写。

一行对应一张图片。
每行共有12个字段。
字段之间用一个空格分隔。

字段信息参见表2，编写示例参考如下。

新建一个“data.txt”，里面的内容为如下三行字符串。

img_1.jpg 001 M1 11224.435 12925.229 0 wafer_id1 01-08-22-13:09:22; device_id1 L21510106 model1 20
img_2.jpg 001 M1 13817.899 17822.569 0 wafer_id2 12-29-21-08:17:05; device_id1 L21510104 model2 20
img_3.jpg 001 M1 970.857 24809.092 0 wafer_id3 12-21-21-06:02:08; device_id3 L21510206 model3 20

表2 配准依赖文本字段信息说明
索引值	类型	取值范围	说明
0	str	-	图片路径。
1	str	-	芯片ID。
2	str	-	芯片层。
3	float	[0, 100000]	图片对应的 x 坐标。
4	float	[0, 100000]	图片对应的 y 坐标。
5	int	0或2	图片标签。
6	str	-	晶圆ID。
7	str	-	时间戳。
8	str	-	机台ID。
9	str	-	批次编号。
10	str	-	机台型号。
11	int	[1, 1000]	放大倍率。

训练命令参考

reference模型训练的命令参考如下：

python3 reference_train.py --rgb_dir=<rgb_dir>  --epochs=31 --chip_id=<chip_id>  --setupid=<setupid> --gray_file= <gray_file>  --klarf_file=<klarf_file>

<rgb_dir>为RGB待检图的目录路径。
<chip_id>为芯片id，表示训练那类型芯片数据集。
<setupid>为芯片层，表示某层具体芯片图，与<chip_id>共同指定训练数据集。
<gray_file>为灰度图名称。
<klarf_file>为klarf文件名称。

模型训练过程存在随机性，且不同芯片层的精度不同。最终以评估精度为准。训练精度结果参考如下：

图1 训练精度结果

训练结束后会在“--train_output_path”参数指定的输出目录中生成.ckpt模型文件。

评估参数及范围

reference模型评估的参数名、类型、取值范围、默认值及说明如下表3所示。

表3 reference模型评估参数说明（wafer_mindspore/reference/eval.py）
参数名	类型	取值范围	默认值	说明
--root_path	str	-	"./xxx/yyy/zzz"	评估生成文件保存路径。
--gray_image_path	str	-	""	灰度参考图路径。
--mask_image_path	str	-	""	掩码图路径。
--overlap	float	[1,2]	1.2	两张图片重叠率。
--chip_id	str	-	""	芯片ID。
--setupid	str	-	""	芯片层。
--model	str	-	""	ckpt模型路径。
--gray_ref_scale	int	[1, 1000]	248	在灰度参考图上进行抠图的尺寸。
--rgb_ref_scale	int	[1, 1000]	366	在RGB参考图上进行抠图的尺寸。
--device_target	str	"Ascend"或“GPU”	"Ascend"	评估平台。

评估命令参考

reference模型评估的命令参考如下：

python3 eval.py --root_path=<root_path> --gray_image_path <gray_image_path> --mask_image_path <mask_image_path>  --chip_id <chip_id> --setupid=<setupid>  --model <model_path>

<root_path>为评估生成文件保存路径。
<gray_image_path>为灰度参考图路径。
<mask_image_path>为掩码图路径。
<chip_id>为芯片列表，表示训练那类型芯片数据集。
<setupid>为芯片层，表示某层具体芯片图，与<chip_id>共同指定训练数据集。
<model_path>为上一步训练生成的ckpt文件。

采用训练输出的ckpt，来评估模型的精度值，参考如下。

图2 训练输出ckpt并用于评估模型的精度值

在“--root_path”参数指定目录生成RGB等图片：“gray_ref”为灰度图路径，“mask_ref”为掩码图，“rgb_ref”为彩色图。

图3 指定目录生成RGB图片

父主题： 半导体质检场景Wafer