cad feature detection

Detecção de recursos CAD

Um aplicativo mínimo que converte os arquivos de etapa em três.js via Pythonocc e detecta os recursos de fabricação com o UV-Net. O modelo foi treinado no conjunto de dados do MFCAD, portanto a classificação é um pouco instável. Mas isso transmite o conceito.

Este projeto também utiliza o invólucro OCCWL em torno do Pythonocc para lidar com o mapeamento do BREP para a representação gráfica.

Uma demonstração ao vivo pode ser encontrada aqui

Informações da pilha de tecnologia:

• Front-end

  • Reagir
  • TypeScript
  • Reacto-três fibras
  • Tailwind CSS

• Back -end

  • Python
  • FASTAPI
  • Pythonocc
  • Pytorch

• Infra

  • CDK
  • Lambda
  • Sagemaker
  • Docker

Como usar

Front-end

• Execute o front -end localmente: cd frontend && npm run start

• Crie uma construção de produção: cd frontend && npm run build

• Config:

  • Crie um arquivo .env na pasta front -end com os seguintes 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"
    

Back -end

• Execute o back -end localmente: cd backend && uvicorn app.main:app --reload

• Config:

  • Crie um .env na pasta de backend/app com os seguintes campos:

     ENDPOINT_NAME="name-of-sagemaker-endpoint"
    

Sagemaker

• Um modelo UVNET treinado está incluído no repo. Para implantar o modelo no Sagemaker, instale o arquivo requirements.txt na pasta Festeme_Detector e execute o notebook. Você também deve criar um arquivo .env na pasta Festert_Detector com os seguintes campos preenchidos:

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

Infra

• Crie um arquivo .env na pasta 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"