Nous proposons Point2Cyl, un réseau supervisé transformant un nuage de points 3D brut en un ensemble de cylindres d'extrusion. Le rétro-ingénierie d'une géométrie brute à un modèle CAD est une tâche essentielle pour permettre la manipulation des données 3D dans les logiciels d'édition de forme, ce qui élargit ainsi leurs utilisations dans de nombreuses applications en aval. En particulier, la forme des modèles CAD composés d'une séquence de cylindres d'extrusion -- un croquis 2D plus un axe et une plage d'extrusion -- et leurs combinaisons booléennes, non seulement est largement utilisée dans la communauté/logiciels CAD, mais offre également une grande expressivité des formes par rapport aux types limités de primitives (par exemple, plans, sphères et cylindres).Dans cette étude, nous introduisons un réseau neuronal qui résout le problème de décomposition en cylindres d'extrusion de manière ancrée dans la géométrie en apprenant d'abord les représentations géométriques sous-jacentes. Précisément, notre approche prédit tout d'abord la segmentation par point, les étiquettes de base/baril et les normales, puis estime les paramètres d'extrusion sous-jacents à l'aide de formulations différentiables et fermées. Nos expériences montrent que notre approche présente les meilleures performances sur deux jeux de données CAD récents, Fusion Gallery et DeepCAD, et nous illustrons davantage notre méthode dans le contexte du rétro-ingénierie et de l'édition.