EulerCAD-Deep-SIGReg
файнтюн для поиска проекций 3D-деталей на CAD-чертежах
2 мин чтенияобновлено
Модель представляет собой дообученную версию нейросети EulerCAD-Deep от автора NicoloLocatelli. Она работает с CAD-чертежами и используется для задачи поиска других проекций (видов) одного и того же 3D-объекта по их векторным представлениям. В основе лежит архитектура из 14 слоёв шириной 384 на 36,9 млн параметров, которую дообучили с функцией потерь SIGReg из метода LeJEPA — она подталкивает эмбеддинги (векторные представления данных) внутри батча к изотропному гауссовскому распределению. По сравнению с базовой версией модель выше ранжирует все остальные виды одной детали в целом (рост метрики mAP), хотя чуть реже угадывает самый первый вариант. Разработка пригодится исследователям в области машинного обучения и инженерам, работающим с автоматическим анализом и индексацией CAD-моделей.
Ключевые особенности
- Компактная архитектура на 36,9M параметров (14 слоёв шириной 384), идентичная базовой модели EulerCAD-Deep.
- Дообучение с комбинированной функцией потерь, включающей SIGReg (с весом w = 0.018), которая повысила эффективный ранг каждого слоя сети.
- Улучшение общей точности ранжирования проекций 3D-объектов: метрика mAP на 7-м слое выросла с 0.250 до 0.268 по сравнению с базой.
- Открытый исходный код для анализа и воспроизведения обучения, а также свободная лицензия MIT на веса и код.
Что можно сделать
- Запустить поиск и сопоставление разных проекций одной 3D-детали в базах CAD-чертежей с помощью встроенного инструмента анализа EulerCAD.
- Использовать веса как отправную точку для экспериментов с регуляризацией эмбеддингов (метод LeJEPA / SIGReg) в задачах геометрического глубокого обучения.
- Сравнить поведение представлений по слоям с оригинальной EulerCAD-Deep на валидационном наборе данных.
Пример
git clone [https://github.com/NicoloLocatelli/EulerCAD.git](https://github.com/NicoloLocatelli/EulerCAD.git)
cd EulerCAD
uv sync
uv run eulercad model download deep-sigreg
uv run eulercad analyze runs/deep-sigreg/checkpoints/model.safetensors --split val
Подробнее
Метрики поиска проекций (7-й слой, val): mAP — 0.268 (против 0.250 у Deep), recall@1 — 0.505 (против 0.538), recall@10 — 0.734 (против 0.760).Validation loss (next-row) на 20 000 шаге: 0.7191 (против 0.7144 у базовой Deep).
Детали обучения: 20 000 шагов дообучения батчами по 160 чертежей с оптимизатором Muon и пиковым learning rate 3e-4.
Лицензия MIT на код и веса; обучающие данные получены из датасета ABC.










Комментарии