Shape_Model_2D/ROADMAP.md

Roadmap - Possibili Sviluppi

Lista ragionata di miglioramenti futuri. Priorità = impatto / effort, non urgenza temporale.

Performance CPU

Sviluppo	Effort	Speed-up atteso	Dipendenze	Priorità
Numba JIT su _score_by_shift	basso	3-5×	numba (~200MB)	alta
Numba JIT su _response_map	basso	2-3×	numba	alta
FFT-based score per varianti dense	medio	2× su template grandi	scipy	media
Rewrite _score_by_shift in Cython	alto	5-8×	cython build	bassa
SIMD via pypy runtime	medio	2-4×	pypy interpreter	bassa (dipendenza runtime)
Memory layout: struct-of-arrays compatto int8	medio	1.5× (cache)	-	media

Performance GPU

Sviluppo	Effort	Speed-up atteso	Dipendenze	Priorità
Backend CuPy per _score_by_shift + _response_map	medio	5-10×	cupy-cuda12x (~600MB)	alta
Kernel CUDA custom (Numba CUDA o RawKernel)	medio-alto	10-20×	numba-cuda / cupy	media
PyTorch backend (conv2d per feature dense)	basso-medio	3-8×	torch (~2GB)	bassa
OpenCV CUDA (build custom)	altissimo	5×	build da sorgenti	bassa
Multi-GPU matching (scene partitioning)	alto	N×	-	bassa

Algoritmiche

Sviluppo	Effort	Beneficio	Priorità
Coarse-to-fine angolare (top-level step grosso, full step fine)	medio	3-5× velocità con stesso precisione	alta
Linear memory linemod (meiqua)	alto	10× match, -memoria	media
NMS cross-variant (dedup pose simili tra angoli/scale)	basso	meno duplicati	alta
ICP pose refinement sub-pixel	medio	<0.1 px precisione	media
Score calibrato probabilistico	medio	soglia adattiva	media
Rilevazione simmetria rotazionale robusta	medio	angle_range auto ridotto	alta
Template piramidato con feature per livello	fatto	✓	-
Refinement angolare sub-step	fatto	✓	-
Subpixel posizione (parabolic fit)	fatto	✓	-
Multi-template support (modello con varianti)	medio	generalizzazione	media
Confidence ellipse (uncertainty quantification)	basso	diagnostic	bassa

Feature di prodotto

Sviluppo	Effort	Beneficio	Priorità
Supporto DXF (tassellazione + rasterizzazione via ezdxf)	medio	input CAD	alta
ROI poligonale (non rettangolare) nella GUI	basso	modello parziale preciso	alta
Analisi distintività modello (entropia, self-corr) nella UI	basso	warning al training	media
Salvataggio/caricamento modello .npz con thumbnail	basso	ricette riusabili	alta
Batch matching su cartella scene	basso	throughput offline	media
Esportazione JSON risultati per integrazione	basso	pipeline	alta
Live camera matching (webcam)	basso-medio	demo	bassa
REST API wrapper (FastAPI)	medio	integrazione Vision Suite	media
NATS messaging (per Vision Suite)	medio	microservizio	bassa
Web UI (Gradio o React) sostituiva di tk/cv2	alto	deploy remoto	media
Benchmark suite automatica con GT labels	medio	non-regression	alta

Qualità codice

Sviluppo	Effort	Beneficio	Priorità
Unit test (pytest) con dataset sintetico	basso	robustezza	alta
Type annotations complete + mypy strict	basso	manutenibilità	media
CI GitHub Actions: lint + test + build	medio	qualità PR	media
Profiling automatico baseline + regression check	medio	evitare lentezze	bassa
Packaging pip (pip install pm2d)	basso	distribuzione	bassa

Target performance produzione

Obiettivi da documento tecnico Vision Suite (Fase Beta):

• Precisione posizionale mediana: <0.5 px → raggiunto con subpixel (attualmente ~0.1-0.3 px atteso)
• Precisione angolare mediana: <1.0° → raggiunto con refinement (~0.5°)
• Latency mediana: <50 ms su 1920×1080 → attuale ~1.7s su 830×822 (serve GPU o ulteriore CPU)
• F1 score dataset sintetico: >0.95 → da misurare con dataset sintetico

Prossimo blocker per target: latency. Via più promettente: GPU (CuPy) o coarse-to-fine angolare.