Una aplicación mínima que convierte los archivos de pasos en tres.js a través de Pythonocc y detecta las características de fabricación con NET UV. El modelo fue entrenado en el conjunto de datos MFCAD, por lo que la clasificación es un poco inestable. Pero transmite el concepto.
Este proyecto también utiliza el envoltorio Occwl alrededor de Pythonocc para manejar el mapeo de BREP a la representación del gráfico.
Se puede encontrar una demostración en vivo aquí
Interfaz
Backend
Infra
Ejecute el frontend localmente: cd frontend && npm run start
Crear una compilación de producción: cd frontend && npm run build
Configuración:
Cree un archivo .env en la carpeta frontend con los siguientes campos:
#to set the paths properly the assets folder
PUBLIC_URL="https://yoururl.com or localhost:3000"
# URL for your backend
REACT_APP_API_URL="https://api.yoururl.com or localhost:8080"
Ejecute el backend localmente: cd backend && uvicorn app.main:app --reload
Configuración:
Cree un .env en la carpeta backend/app con los siguientes campos:
ENDPOINT_NAME="name-of-sagemaker-endpoint"
Se incluye un modelo UVNet entrenado en el repositorio. Para implementar el modelo en Sagemaker, instale el archivo requirements.txt en la carpeta Feing_Detector y luego ejecute el cuaderno. También debe crear un archivo .env en la carpeta Feing_Detector con los siguientes campos poblados:
SAGEMAKER_EXECUTION_ROLE="sagemaker execution role"
SAGEMAKER_S3_BUCKET="sagemaker s3 bucket to store model.tar.gz file"
Cree un archivo .env en la carpeta infra para CDK:
DOMAIN="yourdomain.com"
APP_NAME="NameForYourAppInCDK"
API_SUBDOMAIN="sub.domain.for.api"
FE_SUBDOMAIN="fe.subdomain"
FE_BUCKET_NAME="name-for-s3-bucket-for-fe"