cad feature detection

Deteksi fitur CAD

Aplikasi minimal yang mengonversi file langkah menjadi tiga.js melalui Pythonocc dan mendeteksi fitur manufaktur dengan UV-Net. Model ini dilatih pada dataset MFCAD, jadi klasifikasi agak miring. Tapi itu menyampaikan konsepnya.

Proyek ini juga memanfaatkan pembungkus OCCWL di sekitar Pythonocc untuk menangani pemetaan dari BREP ke representasi grafik.

Demo langsung dapat ditemukan di sini

Info tumpukan teknologi:

• Frontend

  • Bereaksi
  • Naskah
  • Bereaksi-tiga-serat
  • Tailwind CSS

• Backend

  • Python
  • Fastapi
  • Pythonocc
  • Pytorch

• Infra

  • CDA
  • Lambda
  • Sagemaker
  • Buruh pelabuhan

Cara menggunakan

Frontend

• Jalankan frontend secara lokal: cd frontend && npm run start

• Buat Build Produksi: cd frontend && npm run build

• Konfigurasi:

  • Buat file .env di folder frontend dengan bidang berikut:

     #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"
    

Backend

• Jalankan backend secara lokal: cd backend && uvicorn app.main:app --reload

• Konfigurasi:

  • Buat .env di folder backend/app dengan bidang berikut:

     ENDPOINT_NAME="name-of-sagemaker-endpoint"
    

Sagemaker

• Model UVNet yang terlatih termasuk dalam repo. Untuk menggunakan model ke Sagemaker, instal file requirements.txt di folder fitur_detector dan kemudian jalankan notebook. Anda juga harus membuat file .env di folder fitur_detector dengan bidang -bidang berikut yang diisi:

   SAGEMAKER_EXECUTION_ROLE="sagemaker execution role"
  SAGEMAKER_S3_BUCKET="sagemaker s3 bucket to store model.tar.gz file"
  

Infra

• Buat file .env di folder infra untuk 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"