| ---
|
| dataset_info:
|
| features:
|
| - name: query
|
| dtype: string
|
| - name: cad_json
|
| dtype: string
|
| - name: image
|
| dtype: string
|
| - name: annot
|
| dtype: string
|
| - name: reasoning
|
| dtype: string
|
| - name: cate
|
| dtype: string
|
| - name: task
|
| dtype: string
|
| - name: metadata
|
| dtype: string
|
| splits:
|
| - name: train
|
| num_bytes: 1402063406
|
| num_examples: 161240
|
| - name: validation
|
| num_bytes: 77296129
|
| num_examples: 8946
|
| - name: test
|
| num_bytes: 73450258
|
| num_examples: 8052
|
| download_size: 207822478
|
| dataset_size: 1552809793
|
| configs:
|
| - config_name: default
|
| data_files:
|
| - split: train
|
| path: data/train-*
|
| - split: validation
|
| path: data/validation-*
|
| - split: test
|
| path: data/test-*
|
| pretty_name: DeepCAD
|
| license: unknown
|
| extra_gated_fields:
|
| Name: text
|
| Affiliation: text
|
| Intended use: text
|
| tags:
|
| - smart-manufacturing
|
| - cad
|
| - construction-sequence
|
| - brep
|
| - generative-cad
|
| extra_gated_prompt: Released for research use; access granted manually. State your
|
| name, affiliation, and intended use.
|
| ---
|
| # 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`](https://huggingface.co/datasets/AI4Manufacturing/mfcad_D01_TB4) /
|
| [`fcad_D03_TB4`](https://huggingface.co/datasets/AI4Manufacturing/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
|
| ```python
|
| 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。
|
|
|
