Datasets:
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.
FeatureNet (机加工特征分类 · 原始 STL)
FeatureNet 数据集：24 类机加工特征 × 1000 个模型 = 24000 个 ASCII STL 实体模型。 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 STL，无图像；渲染 / 体素化由团队后续统一处理。
⚠ 三点必须先看
1. 许可是 GPL-3.0，不是 MIT。 源 repo 的 LICENSE 文件（35,141 字节）与 GitHub API 的 license
字段均为 GPL-3.0。登记表原写 "repo MIT（数据本体待确认）" —— 实测不符，已更正。
注意这是把一个软件许可证套在数据集上，其对数据的适用性本身存疑，再分发前建议团队确认。
2. 🔴 class 12 的目录有一半被污染 —— 500 行标签存疑。
MsvNet 作者 Peizhi Shi 在 MsvNet 官方 README 里公开记录过 "unlabelled/mislabelled files in category 8 (rectangular_blind_slot) and 12 (triangular_blind_step)"。本库做的是把这条记录精确定位： 对全部文件做了目录类号 vs 文件名类号的逐文件交叉校验，发现两者性质完全不同：
| 目录 | 实测 | 判断 |
|---|---|---|
12_triangular_blind_step/ |
1000 个文件 = 500 个 12_* + 500 个 17_* |
🔴 真问题，见下 |
8_rectangular_blind_slot/ |
1 个文件名叫 80.STL（缺类号前缀） |
⚪ 仅命名异常，非误标 |
关于 class 12：那 500 个 17_* 声称自己是类 17（slanted_through_step）。而
17_slanted_through_step/ 目录自己是干净的（1000 个全是 17_*）。这 500 个文件与 17 目录里
同名文件重名，但内容不同（抽查 60 个，0 个 md5 相同）—— 即它们是另外 500 个模型，
被以类-17 的命名塞进了类-12 的目录。
源数据无法判定孰对孰错（要看几何才能定）。本库 annot 取目录标签（metadata.label_source
= "directory" 明示），不擅自修正，并把冲突精确标出来：
ds = load_dataset("AI4Manufacturing/featurenet", split="train")
suspect = ds.filter(lambda r: json.loads(r["metadata"])["label_conflict"]) # -> 500 行
每行的 metadata 带 label_conflict(bool) / filename_class_id / known_label_issue，
下游可自行取舍。留待 annotate / 清洗阶段定夺。
跟 MsvNet 对数前先统一口径：MsvNet 的 loader 按文件名前缀取标签（dataset.py 里是
int(basename.split('_')[0])），这 500 行在它那套约定下会被标成 17；本库按目录标成 12。
同一批数据两套标签——直接跟 MsvNet 报的数字比会对不上，就是这里来的。
3. 无图像 → image 全为 null。 原始物是 ASCII STL，必须渲染（或按原论文做 64³ binvox 体素化）
才能作为 VLM 输入。不是 raw-direct。
数据说明
- 每类整齐 1000 个，无缺失（已实测校验）。总计 479.6 MB。
- 标签取自目录名
<类号>_<类名>；文件名为<类号>_<样本号>.STL。两处类号已逐文件交叉校验 （以下数字为本次转换实测）：冲突 500 处（12_triangular_blind_step目录内有 500 个文件的文件名前缀为17_，见上节）； 缺类号前缀 1 个（8_rectangular_blind_slot/80.STL，见上节）；除上述外，其余目录两处类号一致。 metadata.class_id是源数据的 0-23 编号；官方 FeatureList.pdf 的 Class 列编的是 1-24， 对应关系为label_id = PDF_class − 1（双点验证过：label 8 = rectangular_blind_slot ↔ PDF Class 9， label 12 = triangular_blind_step ↔ PDF Class 13）。直接拿 PDF 编号当标签，24 个类名整体错位一格、全错。- STL 读入运行时校验：转换时逐文件检查文件头以
solid开头、UTF-8 解码不出现 U+FFFD 替换符 （"ASCII STL" 这句以此实测支撑）。未过校验的文件不静默吞掉——转换日志会打印，且metadata.stl_read_issue打标，可直接 filter。 - 24 个类：Oring, through_hole, blind_hole, triangular_passage, rectangular_passage, circular_through_slot, triangular_through_slot, rectangular_through_slot, rectangular_blind_slot, triangular_pocket, rectangular_pocket, circular_end_pocket, triangular_blind_step, circular_blind_step, rectangular_blind_step, rectangular_through_step, 2sides_through_step, slanted_through_step, chamfer, round, v_circular_end_blind_slot, h_circular_end_blind_slot, 6sides_passage, 6sides_pocket
- 切分：rar 内无 split 文件。论文报按 70/15/15 切，但切分粒度（24,000 个模型 vs 144,000 个朝向样本）
未能从公开材料确认——144,000 是官方 loader 把每个模型在线展开成 6 个 rot90 朝向得来的，
磁盘上只有 24,000 个文件。下游自行切分时必须按
metadata.model_id分组，同一模型的所有 朝向/视图同进同出，否则会造成近重复泄漏。
下游体素化注意（只有读官方代码才知道的三个坑）
原论文的输入是 64³ 二值占据体素（STL 经外部工具 binvox 转出），但官方仓库没发布这一步的脚本， 端到端不可复现。团队自己体素化时：
- 占据值必须存 0/1，不能存 0/255。 官方 loader 的归一化写死
(x - 0.5) * 2，前面只有 cast、 没有除以 255：输入是 {0,1} 时输出 {-1,+1} 正确；按图像习惯存 0/255 就变成 {-1, 509}， 网络直接废。 - 轴序有两层置换，别按直觉铺平。 官方 reader 先 reshape 成
[depth, height, width, 1]，再transpose(1,2,0,3)→[height, width, depth, 1]，即喂进 conv3d 的轴序不是字节流的自然 reshape 顺序；另外 binvox_rw 的fix_coords=True（默认）会把 binvox 原生 xzy 转成 xyz， 传 False 又是另一个轴序。 - binvox 的实心/空心等调用参数全网无记录，而它决定几类可分不可分。 blind hole 与 through hole 的区别就在内部填不填充，surface-only（空心）体素化会让好几对类别直接不可分。FeatureNet 仓库、 数据仓库、MsvNet 三处都只写 "convert via binvox" 没给 flag——团队必须自己定死这套参数并记录。
Schema
query（分类提示） · stl（ASCII STL 原文） · image（null —— 见上） ·
annot（类名，如 rectangular_pocket） · reasoning（null） ·
cate=B / task=T-B4 —— 与已发布的
mfcad_D01_TB4 /
fcad_D03_TB4 同属加工特征识别族，
故沿用 T-B4，非臆造 ·
metadata（model_id、class_id、class_name、label_conflict、**known_label_issue**、
stl_read_issue）
Load
from datasets import load_dataset
ds = load_dataset("AI4Manufacturing/featurenet")
Gated — request access; granted manually.
Provenance
- 源：https://github.com/madlabub/Machining-feature-dataset （
dataset.rar，25,689,292 字节） - 论文：Zhang, Z., Jaiswal, P., Rai, R. FeatureNet: Machining feature recognition based on 3D Convolution Neural Network. Computer-Aided Design, 2018.
- 许可：GPL-3.0 —— 见上。请引用上游。
- Downloads last month
- -