ModelNet40 PCT Baseline

本仓库提供一个基于 Jittor 的 PCT（Point Cloud Transformer）点云分类基线，用于 ModelNet40 分类任务。当前代码入口为 pct.py，训练结束后会保存模型并自动生成测试集预测文件 result.json。

环境安装

建议使用 Python 3.8 及以上版本。

pip install jittor numpy

如需 GPU 训练，请确保本机 CUDA 环境已正确安装，并参考 Jittor 官方文档完成对应配置。

数据准备

数据文件不应提交到 Git 仓库。请将预处理后的数据放在 data/ 目录下，目录结构如下：

data/
  train_points.npy   # 训练点云，shape: (N, 2048, 3)
  train_labels.npy   # 训练标签，shape: (N,)
  test_points.npy    # 测试点云，shape: (M, 2048, 3)
  categories.txt     # 类别名称，可选

运行时通过 --data_dir 指定数据根目录，例如 --data_dir ./data。

训练

使用以下命令训练模型：

python pct.py --data_dir ./data --n_points 1024 --batch_size 64 --epochs 200 --lr 0.001 --seed 42

训练结束后会在当前目录生成：

pct_model.pkl：模型权重
result.json：测试集预测结果

评测/推理

当前仓库尚未提供独立的 --ckpt 推理入口；pct.py 会在训练完成后直接使用本次训练得到的模型生成预测结果。

可直接运行的训练加推理命令如下：

python pct.py --data_dir ./data --n_points 1024 --batch_size 64 --epochs 200 --lr 0.001 --seed 42

默认 checkpoint 输出路径为 pct_model.pkl，预测结果输出路径为 result.json。如后续新增独立推理脚本，请在本节补充类似 python scripts/infer.py --data_dir ./data --ckpt pct_model.pkl 的命令。

结果说明

训练过程中会打印训练集 loss 和 accuracy：

loss：交叉熵损失
accuracy：预测类别与训练标签一致的样本比例

测试集通常不提供标签，本仓库生成的 result.json 格式为：

{
  "0": 12,
  "1": 7
}

其中 key 为测试样本编号，value 为预测类别编号。线上成绩以比赛平台使用隐藏标签计算的分类准确率为准，可能与本地训练日志中的训练准确率不同。

可复现说明

脚本提供 --seed 参数，并在代码中设置 NumPy 与 Jittor 的随机种子。推荐固定以下关键参数进行复现：

python pct.py --data_dir ./data --n_points 1024 --batch_size 64 --epochs 200 --lr 0.001 --seed 42

建议每次运行时保存日志与命令，例如：

mkdir -p outputs
python pct.py --data_dir ./data --n_points 1024 --batch_size 64 --epochs 200 --lr 0.001 --seed 42 2>&1 | tee outputs/train.log

由于 CUDA、Jittor 版本、硬件和随机采样等因素影响，复现实验结果可能与线上最终成绩存在小幅差异。

第三方引用与许可证

本项目使用 Jittor 和 NumPy。若后续引用或改写第三方代码、使用预训练权重或额外数据集，请在 README、文件头注释或 NOTICE 中注明来源、许可证与下载方式。

本仓库代码默认采用 MIT License，详见 LICENSE。