MFInstSeg：62495 行, 每行一个 STEP(B-rep) 实体。唯一模型数 62,477；常被引用的 62,495 是上游划分文件的行数, 被 18 条重复撑出来的(train.txt 内重复 12、val.txt 内重复 1, 另有 5 个 id 同时出现在两个 split), 别再拿它当模型数。

任务是三合一(出处 AAGNet, Wu et al., RCIM 86:102661, 2024), 三套标签都在:

语义分割 annot：每个面一个 0..24 的特征类别；
实例分组 inst / inst_partition：哪些面属于同一个特征实例；
底面识别 bottom：每个面是否为特征底面(0/1)。

按威威裁决上传原始 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 B-rep，尚未渲染成图像；渲染由团队后续统一处理。image 为 null。

面索引怎么对齐（最重要的一段）

annot/bottom 的键 k 和 inst 矩阵的行列号 k, 指的都是用 pythonocc TopologyExplorer(shape).faces()（ignore_orientation 保持默认 True）枚举出来的第 k 个面, 等价于 occwl Solid(shape).faces() 的顺序。

STEP 文件里所有 ADVANCED_FACE 的 name 都是空串（上游导出用了 save_face_label=False）, 没有名字可对；
禁止按 STEP 文件里 ADVANCED_FACE 的出现顺序对齐, 也别 set 去重、别按 hash 排序——都会把整套标签静默错位；
和我们已发布的 mfcad_D01_TB4 不同: MFCAD 是"名字索引"、MFInstSeg 是"位置索引", 两个库不能共用面对齐逻辑；
诚实声明: 这个约定来自审读上游源码链(get_segmentaion_label → TopologyExplorer; occwl entity_mapper), 跨 OCC 版本的保序性上游从未验证过; 抽样重算几何做自洽检查(标 through_hole 的面应是圆柱面之类) 还没做, 是遗留校验项。

aag/ 为什么重要（虽然没入库）

源包另含 aag/（约 20GB 预算好的几何属性邻接图）。它不是"与 VLM 无关的杂物": aag/graphs.json 的节点顺序就是标签假定的面序, 是唯一不依赖本地 OCC 版本就能安全还原面序的参照物。本库因体积未收录; 需要严格核对面序时, 请回源包取 graphs.json, 把它的节点序当对齐参照。(只抽 face_order 摘要入库还是仅在此指路, 团队待定。)

字段

query(任务提示) · step(STEP 原文) · annot(面→类别 JSON, 键=面索引) · inst(N×N 0/1 实例矩阵 JSON) · bottom(面→0/1 底面 JSON) · inst_partition(见下) · split(train/val/test/unassigned) · image(null, 未渲染) · reasoning(null) · cate/task = B/T-B4 · metadata(model_id, n_faces, n_instances, inst_matrix_rows)。
inst 的约定（照搬上游）: 特征面对角线 inst[i][i]=1; 不属于任何特征的 stock 面整行全 0。别把对角线清零、也别把全零行当缺失丢——stock 的语义就存在这。
inst_partition 是我们为 SFT 加的派生列: 把 N×N 矩阵按连通分量还原成 [{"faces": [...], "class_id": c}], 类别取成员面 seg 标签多数票。生成式模型吃划分远比吃矩阵合理, 上游特征级指标本来也吃这个。
cate/task 沿用已发布的 mfcad_D01_TB4 / fcad_D03_TB4 的 T-B4（同一类任务, 非臆造）。

词表（25 类）

类别索引 0..24。已核实锚点: 0=chamfer、23=round、24=stock。权威表在 AAGNet dataset/feature_creation.py L42-47 的 feat_names; 注意该 repo 的 dataloader/mfinstseg.py 和 main.py 的注释把 chamfer/round 写反了, 以 feature_creation.py 为准。本次转换未载入 feat_names.json, inst_partition 只有 class_id 数字。

Split 与已知泄漏

split 列来自上游 MFInstseg_partition/{train,val,test}.txt（官方唯一 id 43,733/9,374/9,375, 约 70/15/15, 随机 i.i.d. 打散, 不是跨域泛化划分）。本次转换实测: 划分文件唯一 id {"train": 43733, "val": 9374, "test": 9375}, 文件内重复行 {"train": 12, "val": 1}, 入库行 split 分布 {"test": 9373, "train": 43733, "val": 9371, "unassigned": 18}。 已知 5 个 id 同时出现在两个 split（跨集泄漏）: 20221225_205134_10 / _32 / _40 / _44 / _52 （train∩val=3, train∩test=1, val∩test=1）。本库按首次出现（train→val→test 顺序）归属; 本次转换实测检出的跨集 id: 20221225_205134_10, 20221225_205134_32, 20221225_205134_40, 20221225_205134_44, 20221225_205134_52。是否剔除这 5 个, 下游自己定。

数据质量（本次转换实测）

解析失败跳过 0 条; seg/inst/bottom 长度或键不齐跳过 0 条; inst 不对称跳过 0 条。解析失败不会变成空行入库。
上游已知坑, 引用其指标时留意: 特征级 localization 判 TP 要求面集完全相等(IoU=1.0, 不是 COCO 的 0.5); 面级实例 F1 是在零填充 batch 上算的、没有 mask, 不同实现间不可直接比。

License 与使用口径

CC0（公共领域）是百度 AI Studio 源站页面的标注; AAGNet GitHub repo 自身的 license 我们未核到, 两边如不一致以哪个为准待确认。我们按 researcher 非商用使用, 并署名上游。

Load

from datasets import load_dataset
ds = load_dataset("AI4Manufacturing/mfinstseg")

Gated — request access; granted manually.

复现

原始数据不入库。百度 AI Studio 需登录、无匿名直链: 手动下载 data2.zip（约 1.7GB, 解出 steps/ 与 labels/）, 连同上游 MFInstseg_partition/ 一起放到 FORGE_DATASETS_SUB, 然后: FORGE_DATASETS_SUB=<dir> python mfinstseg/convert_mfinstseg.py。

Provenance

源: 百度 AI Studio aistudio.baidu.com/datasetdetail/211864（data2.zip 1.7GB; 另有 aag/ 约 20GB, 未收录, 见上）。
出处论文: AAGNet（Wu et al., RCIM 86:102661, 2024）。相关工作: BRepFormer / BRepMAE / FeatureFox / MFInstSeg++（AAGATNet）等。请引用上游。

Downloads last month: 27

Total file size:

1.91 GB