MeshFleet

MeshFleet数据集提供了一个经过筛选和注释的3D车辆模型集合，这些模型来源于Objaverse-XL。数据集包含每辆车的元数据，如SHA256哈希值、车辆类别和大小。核心数据集以CSV文件形式提供，可以从Hugging Face仓库下载。

The MeshFleet dataset provides a curated and annotated collection of 3D vehicle models sourced from Objaverse-XL. The dataset contains metadata for each vehicle, including SHA256 hash value, vehicle category and size. The core dataset is provided in CSV format and can be downloaded from the Hugging Face Hub.

原始信息汇总

MeshFleet数据集概述

数据集基本信息

• 名称: MeshFleet
• 来源: 基于Objaverse-XL的3D汽车模型子集
• 存储格式: CSV文件
• 核心数据文件: meshfleet_with_vehicle_categories_df.csv
• 预渲染图像路径: renders/{sha256}/00X.png

数据内容

• 包含字段:
  • SHA256哈希值（对应Objaverse-XL中的模型）
  • 车辆类别
  • 模型尺寸
• 3D模型来源: 需通过SHA256从Objaverse-XL下载原始模型

数据处理流程

1. 数据预处理:

   • 加载标注数据: car_quality_dataset_votes.csv
   • 生成/加载渲染图像
   • 使用DINOv2和SigLIP模型生成图像嵌入

2. 分类器训练:

   • 训练脚本: sequence_classifier_training.py
   • 输入: 图像嵌入向量
   • 输出: 3D汽车模型质量预测

3. Objaverse-XL处理:

   • 批处理脚本: oxl_processing/objaverse_xl_batched_renderer.py
   • 功能: 下载/渲染/分类全量数据

使用方式

• 直接使用预处理数据: 从Hugging Face仓库下载
• 分类新数据:
  • 准备CSV文件格式: sha256,img_path
  • 执行脚本: reclassify_oxl_data.py

依赖环境

• 安装要求: requirements.txt

搜集汇总

数据集介绍

构建方式

MeshFleet数据集的构建基于Objaverse-XL中的3D汽车模型，通过一系列精心设计的预处理步骤完成。首先，从CarQualityDataset中加载带有质量标签的3D模型数据，随后生成或获取这些模型的渲染图像。接着，利用DINOv2和SigLIP模型生成图像嵌入，捕捉关键视觉特征。最后，基于这些嵌入和标签数据，训练一个分类器以预测3D汽车模型的质量。整个过程确保了数据的高质量和可扩展性。

特点

MeshFleet数据集的特点在于其丰富的元数据信息，包括每个3D汽车模型的SHA256哈希值、车辆类别和尺寸等。此外，数据集提供了预渲染的图像和预生成的嵌入，极大地方便了用户的使用。数据集的结构化设计使其能够广泛应用于3D模型质量评估、计算机视觉和机器学习等领域。通过结合Objaverse-XL的庞大资源，MeshFleet为用户提供了一个高质量且多样化的3D汽车模型集合。

使用方法

使用MeshFleet数据集时，用户可以通过Hugging Face平台直接下载预处理的CSV文件，并使用pandas库进行加载和分析。对于3D模型的实际下载，用户可以根据提供的SHA256哈希值从Objaverse-XL中获取。此外，数据集还提供了预渲染的图像和预训练的模型，用户可以直接使用这些资源进行分类任务。通过提供的脚本和工具，用户还可以进一步生成图像嵌入、训练分类器，并对新的渲染图像进行分类。

背景与挑战

背景概述

MeshFleet数据集是由研究人员Damian Boborzi等人基于Objaverse-XL构建的一个专注于3D汽车模型质量分类的精选数据集。该数据集的核心目标是通过对3D汽车模型的渲染图像进行质量评估，推动计算机视觉和3D模型分析领域的发展。数据集提供了丰富的元数据，包括模型的SHA256哈希值、车辆类别和尺寸信息，并基于Objaverse-XL的庞大资源进行扩展。MeshFleet的构建不仅为3D模型的质量分类提供了基准数据，还为相关领域的研究者提供了高质量的预渲染图像和模型嵌入，显著提升了3D模型分析与应用的效率。

当前挑战

MeshFleet数据集在构建和应用过程中面临多重挑战。首先，3D模型质量分类本身是一个复杂的任务，需要从渲染图像中提取有效的视觉特征，并准确评估模型的几何和纹理质量。其次，数据集的构建依赖于Objaverse-XL这一庞大的3D模型库，处理海量数据时面临存储和计算资源的压力。此外，生成高质量的渲染图像和嵌入特征需要复杂的预处理流程，包括模型渲染、特征提取和分类器训练，这些步骤对算法的效率和精度提出了较高要求。最后，如何将训练好的分类器应用于新的3D模型，并确保其泛化能力，也是数据集应用中的一大挑战。

常用场景

经典使用场景

MeshFleet数据集在3D模型质量评估领域具有广泛的应用。通过提供大量标注的3D汽车模型及其渲染图像，该数据集为研究者提供了一个标准化的基准，用于开发和测试基于视觉的3D模型质量分类算法。数据集中的模型来自Objaverse-XL，涵盖了多种车辆类别，确保了数据的多样性和代表性。

解决学术问题

MeshFleet数据集解决了3D模型质量评估中的关键问题，特别是在缺乏大规模标注数据的情况下。通过提供高质量的标注数据和预训练的嵌入模型，研究者可以更高效地训练和验证分类算法，从而推动3D模型质量评估领域的研究进展。此外，数据集的开放性和易用性也为跨领域合作提供了便利。

衍生相关工作

MeshFleet数据集衍生了一系列相关研究，特别是在3D模型质量分类和视觉嵌入生成领域。基于该数据集的研究工作包括开发新的分类算法、优化嵌入生成模型以及探索多模态数据融合方法。这些工作不仅推动了3D模型质量评估技术的发展，也为其他相关领域提供了新的研究思路。