ModelNet40 Enhanced PCT (Jittor)

本项目使用 Jittor 在 ModelNet40 点云数据上训练增强版 PCT 分类模型。训练、推理提交和画图相互独立，中途停止训练后仍可直接使用已保存的最佳模型。

更完整的逐步命令见 操作指南.md。

环境安装

python -m pip install -r requirements.txt

从计图挑战赛“赛道二热身赛”赛题附件获取预处理后的 ModelNet40 数据，并解压到 data/。数据集受其原始许可约束且文件较大，因此本仓库不分发 .npy 数据文件；更详细的字段和形状说明见 data/README.md。默认目录结构如下：

data/
├── train_points.npy   # (9843, 2048, 3)
├── train_labels.npy   # (9843,)
├── test_points.npy    # (2468, 2048, 3)
└── categories.txt

可通过 --data_dir 指定其他目录。

python train.py --data_dir ./data --output_dir ./outputs

默认从有标签训练数据中按类别留出 10% 作为本地验证集。官方无标签测试集不会参与模型选择。默认随机种子为 42，可通过 --seed 修改。每次训练都会保存实际配置和运行命令，便于复现。

训练过程中会持续保存：

按一次 Ctrl+C 或 IDE 的正常停止按钮时，程序会原子保存 last.pkl。强制结束进程或断电时，仍可使用上一轮已经原子写好的权重。

继续训练：

python train.py --output_dir ./outputs --resume auto

也可以显式指定：

python train.py --resume ./outputs/last.pkl

若希望全部 9843 个训练样本参与训练：

python train.py --val_ratio 0 --output_dir ./outputs_full

这种模式没有本地验证准确率，因此只生成 best_train.pkl 和 last.pkl。建议先使用验证划分确定训练轮数，再进行全数据训练。

python infer.py --output_dir ./outputs --votes 10

未指定 --checkpoint 时，按以下顺序自动选择现存权重：

也可显式选择：

python infer.py \
  --checkpoint ./outputs/best_val.pkl \
  --result_path ./result.json \
  --zip_path ./result.zip \
  --votes 10

最终生成的 result.zip 内只有根目录下的 result.json，可直接提交。

python plot_metrics.py --output_dir ./outputs

输出为 outputs/training_curves.png，包含训练/验证损失、准确率、学习率和批次训练损失。即使没有训练到 200 轮，也会绘制已有的完整 epoch 数据。

比赛指标为测试集总体分类准确率（预测正确的测试样本数除以测试样本总数）。测试集没有标签，本地 val_acc 来自训练集内部的分层留出部分，与线上成绩可能存在合理差异。

使用默认随机种子 42、10% 分层验证划分训练 120 轮的一次复现实验结果如下：

指标	结果	最佳轮次
本地验证集总体准确率	91.47%	108

本次实验保留的训练曲线：

训练集与本地验证集曲线

线上测试集标签和本次提交分数未公开记录，所以上表不是线上成绩。不同硬件、Jittor/CUDA 版本和随机采样可能带来小幅波动。

代码使用增强、Dropout 和标签平滑，因此日志中的在线训练准确率可能低于关闭增强后的准确率。模型选择优先使用独立的本地验证准确率。

代码入口：

本项目代码使用 MIT License。模型结构参考 PCT 与 DGCNN，运行框架为 Jittor；第三方项目、论文、数据与权重声明见 NOTICE。本仓库不包含预训练权重。