Hugging Face's logo

Datasets:
AI4Manufacturing
/
featurenet

Modalities:
Text
Formats:
parquet
Size:
10K - 100K
Tags:
smart-manufacturing
cad
machining-features
classification
stl
Libraries:
Datasets
pandas
Polars
License:
Dataset card Data Studio Files
xet
 Community
featurenet / README.md
Kriscamp's picture
Kriscamp
Upload README.md with huggingface_hub
ab6db34 verified
preview code
|
Raw
History Blame Contribute Delete
8.5 kB
metadata 
dataset_info:
  features:
    - name: query
      dtype: string
    - name: stl
      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: 491241782
      num_examples: 24000
  download_size: 54701346
  dataset_size: 491241782
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train-*
license: gpl-3.0
tags:
  - smart-manufacturing
  - cad
  - machining-features
  - classification
  - stl
extra_gated_prompt: >-
  Released for research use; access granted manually. State your name,
  affiliation, and intended use.
pretty_name: FeatureNet
extra_gated_fields:
  Name: text
  Affiliation: text
  Intended use: text

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：

  1. 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。
  2. 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。
  3. 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。