| ---
|
| 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：
|
|
|
| ```python
|
| 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`](https://huggingface.co/datasets/AI4Manufacturing/mfcad_D01_TB4) /
|
| [`fcad_D03_TB4`](https://huggingface.co/datasets/AI4Manufacturing/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
|
| ```python
|
| 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。
|
|
|
