ci: libgl1 e libglib2.0-0 per opencv nel runner (#1)

Fixes #1

Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com>

.gitea/workflows/ci.yml

@@ -18,6 +18,13 @@ jobs:
           curl -LsSf https://astral.sh/uv/install.sh | sh
           echo "$HOME/.local/bin" >> "$GITHUB_PATH"
 
+      - name: Librerie di sistema per opencv
+        # #1: opencv-python (non headless: pm2d/gui.py usa imshow) vuole libGL e glib
+        run: |
+          SUDO=$(command -v sudo || true)
+          $SUDO apt-get update -qq
+          $SUDO apt-get install -y -qq libgl1 libglib2.0-0
+
       - name: Sync dipendenze
         run: uv sync
 

Dockerfile

@@ -35,4 +35,6 @@ EXPOSE 8080
 HEALTHCHECK --interval=30s --timeout=5s --retries=3 \
     CMD python -c "import urllib.request; urllib.request.urlopen('http://localhost:8080/images').read()" || exit 1
 
-CMD ["uv", "run", "python", "main.py"]
+# --frozen --no-dev: senza, uv run ri-sincronizza il gruppo dev
+# (pytest/ruff) a OGNI avvio del container, scaricando pacchetti a runtime
+CMD ["uv", "run", "--frozen", "--no-dev", "python", "main.py"]

README.md

@@ -1,32 +1,55 @@
 # Shape Model 2D — Standalone PM 2D
 
-Programma standalone Pattern Matching 2D shape-based.
+Pattern Matching 2D shape-based (stile Halcon `find_shape_model`), standalone:
+libreria Python + GUI desktop + webapp FastAPI.
 
 Due backend algoritmici:
 
-| Backend | Modulo | Algoritmo | Tempo clip.png (13 istanze) |
+| Backend | Modulo | Algoritmo |
-|---|---|---|---|
+|---|---|---|
-| `line` (default) | `pm2d.line_matcher.LineShapeMatcher` | Linemod-style: gradient orient quantizzata + spread + response map + feature sparse | **3.5 s, 12/13 score 1.0** |
+| `line` (default) | `pm2d.line_matcher.LineShapeMatcher` | Linemod-style: orientazione gradiente quantizzata + spread bitmap + kernel Numba JIT + refine least-squares |
-| `edge` | `pm2d.matcher.EdgeShapeMatcher` | Edge Canny + `matchTemplate` multi-rotazione | 84 s, 6/13 score ~0.3 |
+| `edge` (legacy) | `pm2d.matcher.EdgeShapeMatcher` | Edge Canny + `matchTemplate` multi-rotazione (fallback semplice, lento) |
 
-Porting algoritmico (non SIMD) di `meiqua/shape_based_matching/line2Dup`. MIPP (wrapper SIMD C++) non ha senso in Python — la vettorizzazione la fa già NumPy.
+Porting algoritmico di `meiqua/shape_based_matching/line2Dup`; gli hot-path
+sono kernel **Numba JIT** (`pm2d/_jit_kernels.py`, parallelo, ≈ velocità C)
+con fallback NumPy automatico se numba non è disponibile.
+
+## Precisione (misurata su ground-truth sintetica, 7 pose note)
+
+| Metrica | Valore |
+|---|---|
+| Errore angolare mediano | **~0.05°** (step 5°), ~0.03° (step 2°) |
+| Errore posizione mediano | **~0.04 px** |
+| Recall | 7/7 a min_score 0.5 |
+
+Pipeline di refine: golden-section sull'angolo su bitmap fine (raggio 1,
+non satura) → least-squares 3×3 congiunto (dx, dy, dθ) sui gradienti scena
+(`subpixel_lm`, ON di default). I test in `tests/` fanno da guardia di
+non-regressione su queste soglie.
 
 ## Struttura
 
 ```
-Shape_model_2d/
+shape_model_2d/
 ├── pm2d/
-│   ├── __init__.py
+│   ├── line_matcher.py   # LineShapeMatcher (default)
-│   ├── matcher.py        # EdgeShapeMatcher (fallback, semplice)
+│   ├── _jit_kernels.py   # kernel Numba JIT (score bitmap, windowed, popcount)
-│   ├── line_matcher.py   # LineShapeMatcher (default, ottimizzato)
+│   ├── matcher.py        # EdgeShapeMatcher (legacy)
-│   └── gui.py            # GUI OpenCV + tk file dialog
+│   ├── dxf.py            # rasterizzazione DXF → template (ezdxf)
-├── main.py               # entry point
+│   ├── auto_tune.py      # stima automatica parametri (simmetria, soglie)
-├── Test/                 # immagini di test
+│   ├── gui.py            # GUI OpenCV + tk file dialog
-├── pyproject.toml
+│   ├── bench.py, eval.py # CLI benchmark / valutazione
-└── README.md
+│   └── web/              # webapp FastAPI (server.py + static/)
+├── benchmarks/test_suite.py  # suite 16 scenari su immagini reali (Test/)
+├── tests/                # pytest sintetici (precisione + unit, no Test/)
+├── .gitea/workflows/ci.yml   # CI: uv sync + ruff + pytest
+├── main.py               # entry point GUI
+├── Test/                 # immagini di test LOCALI (non versionate)
+├── Dockerfile, docker-compose.yml
+└── pyproject.toml
 ```
 
-GUI e algoritmo separati: i matcher sono riusabili da qualsiasi script/backend.
+GUI/web e algoritmo separati: i matcher sono riusabili da qualsiasi script.
 
 ## Setup
 
@@ -37,12 +60,16 @@ uv sync
 ## Esecuzione
 
 ```bash
-uv run python main.py
+uv run python main.py                      # GUI desktop
+uv run python -m uvicorn pm2d.web.server:app --port 8080   # webapp
+uv run pytest tests/                       # test (sintetici, ~1 min)
+uv run python benchmarks/test_suite.py    # benchmark (richiede Test/)
 ```
 
-Flusso: file dialog modello → ROI → file dialog scena → risultati.
+Le immagini in `Test/` **non sono versionate** (vedi `.gitignore`): la suite
+benchmark le richiede in locale, i test pytest no.
 
-## API algoritmo (backend `line`, raccomandato)
+## API algoritmo (backend `line`)
 
 ```python
 import cv2
@@ -53,122 +80,129 @@ scene    = cv2.imread("scene.png")
 
 m = LineShapeMatcher(
     num_features=96,          # feature sparse per variante
-    weak_grad=30,             # soglia gradiente per spread
+    weak_grad=30,             # soglia gradiente debole (spread/hysteresis)
-    strong_grad=60,           # soglia gradiente per estrazione feature
+    strong_grad=60,           # soglia gradiente forte (estrazione feature)
     angle_range_deg=(0, 360),
-    angle_step_deg=5.0,
+    angle_step_deg=5.0,       # <=0 → step auto dal lato template
     scale_range=(0.9, 1.1),   # invarianza a scala
     scale_step=0.05,
-    spread_radius=5,          # raggio dilate per robustezza
+    spread_radius=4,          # tolleranza posizionale matching coarse
-    pyramid_levels=3,         # velocità via pruning top-level
+    pyramid_levels=3,         # clampato auto alla dimensione template
-    top_score_factor=0.5,     # soglia top = min_score * factor
 )
-m.train(template)             # ~0.2 s
+m.train(template)             # opzionale: train(template, mask=...) per ROI parziale
 matches = m.find(scene, min_score=0.55, max_matches=25)
 
 for x in matches:
-    print(x.cx, x.cy, x.angle_deg, x.scale, x.score)
+    print(x.cx, x.cy, x.angle_deg, x.scale, x.score)   # pose sub-pixel/sub-grado
 ```
 
-### Modello su regione parziale (non blob distinto)
+Opzioni `find()` utili: `search_roi=(x, y, w, h)`, `min_recall`,
+`scale_penalty`, `use_soft_score`, `debug=True` (diagnostica drop),
+`profile=True` (timing per fase via `get_last_profile()`).
 
-`train()` accetta una **maschera binaria opzionale** per limitare le feature
+Persistenza modello (Halcon write/read_shape_model):
-a una porzione della ROI (es. parte interna di un oggetto complesso, dettaglio
-distintivo, ecc.):
 
 ```python
-mask = np.zeros_like(template[:, :, 0])
+m.save_model("ricetta.npz")
-cv2.fillPoly(mask, [poligono_utente], 255)
+m2 = LineShapeMatcher.load_model("ricetta.npz")   # deploy senza re-train
-m.train(template, mask=mask)
 ```
 
-Solo i gradienti dentro la maschera contribuiscono alle feature.
-
 ## Come funziona il backend `line`
 
-### Training (costoso, ~0.2 s / 72 varianti)
+### Training
 
 Per ogni coppia (angolo, scala) del template:
-1. Rotazione + scala su canvas con padding diagonale
+1. Rotazione + scala su canvas con padding diagonale (centro di rotazione
-2. Sobel → `magnitude` + `orientation` (atan2)
+   = centro reale del template, coerente in tutta la pipeline)
-3. Quantizzazione orientazione in **8 bin modulo π** (edge simmetrici)
+2. Sobel → magnitude + orientation, quantizzata in **8 bin modulo π**
-4. Estrazione **N feature sparse**: top-magnitude sopra `strong_grad`, con spacing minimo per evitare cluster
+   (16 bin mod 2π con `use_polarity=True`)
-5. Feature salvate come `(dx, dy, bin)` relative al centro-modello
+3. Edge selection con **hysteresis** weak/strong (Halcon Contrast auto)
+4. **N feature sparse** top-magnitude con spacing minimo, salvate come
+   `(dx, dy, bin)` arrotondate rispetto al centro-modello
+5. Piramide feature per livello + dedup varianti identiche (simmetrie)
 
-### Matching (veloce)
+### Matching
 
-Scena processata **una volta per livello piramide**:
+Scena processata una volta per livello (e cachata per scene ripetute):
-- Sobel → mag → orient quantizzato → bin invalidato dove `mag < weak_grad`
+Sobel → quantizzazione → **spread bitmap** uint8/uint16 (bit b = bin b
-- **Spread**: dilate morfologica per bin (tolleranza localizzazione)
+presente nel raggio) → kernel JIT:
-- **Response map** `(8, H, W)`: response[b][y,x] = 1 dove orient b è presente
-
-Per ogni variante:
 
 ```
-score[y, x] = Σ_i  resp[bin_i][y + dy_i, x + dx_i]  /  N_features
+score[y, x] = popcount-AND feature/bitmap / N_features   (rescored vs background)
 ```
 
-Implementato con **shift+add vettorizzato NumPy** (O(N_features · H · W) invece di O(kh·kw·H·W) come `matchTemplate`).
+1. **Top-level**: valuta 1 variante ogni `cf_auto` (step angolare auto:
-
+   al livello top lo spread tollera ~atan(spread/(lato_top/2)) gradi),
-### Piramide multi-risoluzione
+   pruning per soglia + istogramma orientazioni.
-
+2. **Full-res windowed** (`pyramid_propagate`, default ON): score calcolato
-- **Top-level** (risoluzione /4 di default con `pyramid_levels=3`): score ridotto per pruning varianti. Se nessun pixel raggiunge `min_score * top_score_factor`, la variante è scartata.
+   solo in finestre attorno ai massimi locali del top-level — costo
-- **Full-res**: calcolato solo per le varianti sopravvissute → nel benchmark clip: ~5-10 varianti su 72 = 7-14× speed-up rispetto a full-res per tutte.
+   proporzionale ai candidati, non a varianti × W × H. Per template
+   elongati (>2:1) si torna automaticamente al full-scan esatto.
+3. **Refine per candidato**: subpixel 2D sul picco → golden-section
+   sull'angolo su bitmap fine → least-squares (dx, dy, dθ) sui gradienti.
+4. **Verify**: NCC su crop locale (anti falsi-positivi, mediato nello
+   score) → NMS IoU su bbox poligonali orientati.
 
 ## Parametri principali
 
 | Parametro | Default | Significato |
 |---|---|---|
 | `num_features`    | 96       | feature sparse per variante |
-| `weak_grad`       | 30       | threshold debole (per spread) |
+| `weak_grad`       | 30       | soglia debole (spread + hysteresis) |
-| `strong_grad`     | 60       | threshold forte (per estrazione feature) |
+| `strong_grad`     | 60       | soglia forte (estrazione feature) |
-| `spread_radius`   | 5        | raggio dilate spread (tolleranza posizionale) |
+| `spread_radius`   | 4        | tolleranza posizionale matching coarse |
-| `min_feature_spacing` | 3 | spacing minimo tra feature per evitare cluster |
 | `angle_range_deg` | `(0,360)` | range rotazioni |
-| `angle_step_deg`  | 5.0      | passo angolare |
+| `angle_step_deg`  | 5.0      | passo angolare (<=0 = auto) |
 | `scale_range`     | `(1,1)`  | range scale |
-| `scale_step`      | 0.1      | passo scala |
+| `pyramid_levels`  | 3        | livelli piramide (clamp auto su template piccoli) |
-| `pyramid_levels`  | 3        | livelli piramide (più = pruning più aggressivo) |
+| `min_score`       | 0.6      | soglia score finale [0..1] |
-| `top_score_factor`| 0.5      | soglia top-level = min_score * factor |
+| `max_matches`     | 20       | numero max di match |
-| `min_score`       | 0.55     | soglia score finale [0..1] |
+| `verify_threshold`| 0.4      | soglia NCC anti falso-positivo |
-| `max_matches`     | 25       | numero max di match |
+| `subpixel_lm`     | True     | least-squares finale pos+angolo |
-| `nms_radius`      | `min(w,h)/2` | raggio NMS baricentri |
+| `pyramid_propagate` | True   | full-res solo in finestre sui picchi top |
+
+## Webapp (pm2d/web)
+
+UI single-page (canvas ROI rettangolare o **poligonale**, slider parametri,
+anteprima edge, ricette) + API JSON:
+
+| Endpoint | Funzione |
+|---|---|
+| `POST /upload` | carica immagine (multipart) |
+| `POST /upload_dxf` | carica **DXF** → rasterizzato a template (`?size=128..2048`) |
+| `POST /match` | match con parametri tecnici (`roi`, opzionale `roi_poly`) |
+| `POST /match_simple` | match con profili semplificati (precisione/filtro_fp/simmetria) |
+| `POST /auto_tune` | stima automatica parametri dalla ROI |
+| `POST /recipes`, `GET /recipes`, `/match_recipe` | salva/carica/usa ricette `.npz` |
+| `GET /image/{id}/annotated` | PNG con overlay match (UCS) |
+
+Dalla UI: bottone **Esporta JSON** per scaricare i risultati completi
+(pose, score, bbox, parametri, tempi) per integrazione.
+
+## Test e CI
+
+- `tests/`: pytest **sintetici** (template/scene generati, GT nota) —
+  precisione angolo/posizione, recall, cache, save/load, mask poligonale.
+- CI Gitea Actions (`.gitea/workflows/ci.yml`): ruff + pytest su ogni push.
+- `benchmarks/test_suite.py`: 16 scenari su immagini reali per confronto
+  manuale prestazioni/recall (richiede `Test/` in locale).
 
 ## Roadmap
 
-- Subpixel refinement (interpolazione parabolic sui picchi)
+Vedi [ROADMAP.md](ROADMAP.md) — Fase 1 (speed) e Fase 2 (precisione
-- ICP locale per raffinamento pose
+rotazione + robustezza) completate; prossimo target: latency <50 ms su
-- Vincoli di orientamento: clustering delle pose per eliminare duplicati cross-variante
+1920×1080 (auto step per livello fatto; restano greediness default, GPU,
-- Numba JIT per il ciclo shift+add (eventuale 3-5× su scene grandi)
+eventuale SIMD C++).
 
 ## Deploy VPS con Docker + Traefik
 
 Assume che sulla VPS siano già attivi:
 - **Traefik** come reverse proxy su network Docker esterna `traefik`
-- Entrypoints `web` (:80) e `websecure` (:443)
+- Entrypoint `websecure` (:443) e cert resolver configurato
-- Cert resolver `letsencrypt` configurato
-
-### Build e push al registry
 
 ```bash
-# Build locale
+cd /opt/docker/visionsuite/shape_model_2d
-docker build -t vps-ip:5000/pm2d:latest .
+docker compose build
-docker push vps-ip:5000/pm2d:latest
-```
-
-### Sulla VPS
-
-```bash
-# Cartella deploy (immagini persistenti qui)
-mkdir -p /opt/docker/pm2d/images
-cd /opt/docker/pm2d
-
-# Copia docker-compose.yml
-# Imposta REGISTRY / TAG se necessario via .env
-echo "REGISTRY=vps-ip:5000" > .env
-echo "TAG=latest" >> .env
-
-docker compose pull
 docker compose up -d
 ```
 
@@ -179,13 +213,8 @@ Servizio raggiungibile: **https://pm.tielogic.xyz**
 - **Volume `./images`**: persistenza delle immagini caricate tramite UI
   (`IMAGES_DIR=/data/images` nel container). Sopravvive a restart.
 - **Upload max 50MB**: middleware Traefik `pm2d-bodysize`. Adattare se serve.
-- **Cache matcher in-memory**: si svuota a restart container (no problema,
+- **Cache matcher in-memory**: si svuota a restart container (ri-popolata
-  viene ri-popolata al primo match).
+  al primo match). Le ricette `.npz` invece persistono in `recipes/`.
 - **Healthcheck**: HTTP `GET /images` ogni 30s.
-- Se nome network Traefik diverso da `traefik`, modifica
+- Se nome network Traefik o cert resolver diversi, modifica i labels in
-  `docker-compose.yml` sezione `networks`.
+  `docker-compose.yml`.
-
-### Adattamenti config Traefik non-standard
-
-Se la VPS ha convenzioni diverse (es. cert resolver chiamato `le`,
-entrypoint `https`), modifica i labels nel `docker-compose.yml`.