Модель анализирует 3D-геометрию строительных элементов из файлов IFC (Industry Foundation Classes) и помогает находить аномалии или определять схожие детали. На основе входной сетки точек модель восстанавливает геометрию и сжимает её в латентный вектор (компактное цифровое представление объекта). Архитектура построена на базе графовых свёрток (GCN (граф-свёрточная нейросеть, обрабатывающая данные в виде связанных точек и графов)) и содержит около 1.7 млн параметров. Решение создано как исследовательский прототип для архитектурного анализа и пригодится специалистам по BIM-технологиям и САПР.
Ключевые особенности
Работа с графами: Анализирует форму через kNN-графы (граф ближайших соседей), построенные по точкам поверхности.
Детекция аномалий: Сравнивает исходное облако точек с восстановленным через Chamfer distance (метрика расстояния между облаками точек).
Латентное представление: Создает вектор размерности 32 для поиска похожих элементов по косинусному расстоянию.
Формат ONNX: Легко запускается локально через onnxruntime без тяжелых зависимостей.
Что можно сделать
Проверка элементов: Автоматически проверять строительные детали на отклонения от стандартных классов IFCNet.
Поиск аналогов: Искать похожие архитектурные компоненты по косинусному сходству латентных векторов.
Интеграция в пайплайны: Использовать скрипты из репозитория для предобработки IFC-файлов и запуска инференса.
Тестирование через API: Отправлять запросы к демо-серверу на Gradio для быстрого получения результатов.
Подробнее
• Архитектура: GCN (3 слоя) + MLP девайдер, 1,745,184 параметров.
• Бенчмарки: ROC AUC 0.609, Precision 0.261, Recall 0.245, P@5 0.331.
• Обучение: 30 эпох на CPU на базе датасета IFCNetCore (7,930 файлов).
• Ограничения: работает с одним элементом в IFC-файле, размер нормализуется (масштаб не учитывается).
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# iaac-maai/hackathon-team2-ifcnet-gcn — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve iaac-maai/hackathon-team2-ifcnet-gcn --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.
Как ускорить
Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.
Комментарии