You need to agree to share your contact information to access this dataset
This repository is publicly accessible, but you have to accept the conditions to access its files and content.
Released for research use; access granted manually. State your name, affiliation, and intended use.
Log in or Sign Up to review the conditions and access this dataset content.
DeepCAD (CAD 构造序列 · 原始 JSON)
DeepCAD（Wu, Xiao, Zheng, DeepCAD: A Deep Generative Network for Computer-Aided Design Models, ICCV 2021, Columbia CG）：178,238 个参数化 CAD 模型的构造序列。 已转为团队统一 7 字段 SFT schema。
按庞威裁决上传原始 dataset 本身（"direct VLM 如果需要 render 的那种可以先传 dataset 本身， 我来看看有没有办法弄一下 rendering"）。本库是原始构造序列 JSON，无图像；渲染由团队后续统一处理。
⚠ 七点必须先看
1. 许可：数据没有 license。 repo 的 MIT 只覆盖代码 —— LICENSE 全文只提 "the Software"。
DeepCAD 的 README 自己写着 *"The data we used are parsed from Onshape public documents with links from
ABC dataset"*，即几何继承 Onshape ToU。
上游 ABC 的 "MIT" 同样不构成数据授权：deep-geometry/abc-dataset 那个仓总共只有 3 个文件，
是个代码壳子，它的 MIT 什么数据都没覆盖。repo license ≠ data license。
本库按团队要求"先传上来并在 README 标注"处理，再分发授权状态未解决。
我们是研究用途（非商用），照常署名引用上游即可。
2. 无图像 → image 全为 null。 原始物是构造序列，必须先执行成 solid 再渲染。不是 raw-direct。
3. 官方 split 逐一对过账（下表全部是本次运行实数出来的，不是抄论文）：
| split | split 文件列出 | 实际产出行数 | 丢弃 |
|---|---|---|---|
| train | 161,240 | 161,240 | 0 |
| validation | 8,946 | 8,946 | 0 |
| test | 8,052 | 8,052 | 0 |
| 合计 | 178,238 | 178,238 | 0 |
实际产出合计 178,238 与论文宣称的 178,238 完全一致（运行时断言核过 split 文件与逐行产出，不是手写）。
4. train 完全没去重，validation 也没有。 论文附录 A 自己承认数据源自 ABC 而 ABC 含重复形状；
作者只对 test 做了近重清洗（对每个 test 形状在 train 里找 chamfer 最近邻，低于阈值就丢），
train 原封不动、validation 什么都没做 —— 拿 validation 做模型选择存在与 train 的近重复泄漏风险。
社区通行做法是先去重再用：SkexGen 提供 deduplicate.py，HNC-CAD 去重后只剩 102,114 个 solid /
124,451 条 sketch-and-extrude 序列（口径与原始 train 不同，别拿这些数去除原始 train 算去重率）。
本库传的是未去重的原始版（数据策略见卡，待负责人拍板）。
5. 形状严重不平衡。 CADmium 报未过滤的 train 里约 25% 是长方体、8% 是圆柱体； Text2CAD（NeurIPS'24）也点名 DeepCAD 以长方体和圆柱体为主，限制模型对复杂形状的鲁棒性。 序列长度也是长尾：论文自己承认短序列远多于长序列，模型可能偏向短序列。
6. 约 9,564 个模型根本建不出实体。 GenCAD 报 178,238 个里只有 168,674 能用 OpenCascade 建出 3D solid。团队后续统一渲染时这批会直接失败 —— 是数据固有问题，别当成渲染脚本的 bug。
7. 官方评测口径与自回归 LLM 不适配。 官方 ACC_cmd / ACC_param 是按 GT 长度截断预测、
把 EOS 排除在评分外、按下标位置硬比算出来的；论文的 99.50% 只在非自回归定长并行解码下成立。
拿本库微调自回归 LLM 后用官方 test.py 评分会得到灾难性低分 —— 是指标不适配，不是模型差。
跨论文比 Chamfer Distance 前也要先对口径（后来者常改指标定义）。
已知丢弃（运行时统计）
以下均为运行时统计（非手写），差额与上表逐 split 对过账（assert 兜底）：
- JSON 解析失败被弃：0 条
sequence为空被弃（annot 会是空串，无训练价值）：0 条- split 文件列出但 tar 里没有对应 json：0 条 —— 这类 id 正是各家论文样本数对不上的机械原因。
- tar 里存在但 split 文件未列（未入库）：36,855 条（前 10：
0000/00000062,0000/00000069,0000/00000076,0000/00000137,0000/00000175,0000/00000176,0000/00000177,0000/00000347,0000/00000349,0000/00000352）
数据说明
- 每个模型的
cad_json含entities（草图/拉伸的完整参数定义）、properties（包围盒）、sequence（有序构造步骤）。annot取sequence（这是转换器的取舍，待负责人确认，见卡）。 转换器在第一条记录上硬校验sequence/properties键存在（schema 漂移直接崩，不会静默产出空 annot）。 - 源包的
data.tar名字骗人：它实际是 gzip（不是纯 tar），内部再套cad_json.tar.gz（展开 3.48 GB）+cad_vec.tar.gz（展开 712 MB）+train_val_test_split.json。 本库的转换器直接从套娃 tar.gz 流式读，不解压落地。 cad_vec.tar.gz（向量化表示）未收录 —— 与 VLM 无关。若以后要补收录，先记住这三条： 存盘args取值 -1..255（-1 是 PAD_VAL），参数词表是 257 不是 256，官方在输入 embedding / loss / 输出 argmax 三处各有 +1/−1 移位 —— 漏任何一处，16 个参数整体偏一个量化级， 指标几乎不掉（容差吃得下）但导出几何系统性歪。
Schema
query（任务提示） · cad_json（构造序列原文 JSON） · image（null —— 见上） ·
annot（sequence，有序构造步骤） · reasoning（null） ·
cate=B / task=T-B4（与已发布的
mfcad_D01_TB4 /
fcad_D03_TB4 同属 CAD 几何理解族；
该归类是转换器作者的判断，Forge 文档无直接对应条目，尚未经负责人签字确认） ·
metadata（model_id、split、n_sequence_steps、op_types、bounding_box）
Load
from datasets import load_dataset
ds = load_dataset("AI4Manufacturing/deepcad")
Gated — request access; granted manually.
Provenance
- 源：http://www.cs.columbia.edu/cg/deepcad/data.tar （208,074,561 字节，匿名可下）
- 论文：Wu, R., Xiao, C., Zheng, C. DeepCAD: A Deep Generative Network for Computer-Aided Design Models. ICCV 2021.
- 代码：https://github.com/rundiwu/DeepCAD （MIT —— 仅代码）
- 数据许可：无（几何继承 Onshape ToU）—— 见上。请引用上游。
- Downloads last month
- 6