PA3_PCT_jittor

基于 Jittor 实现的 Point Cloud Transformer（PCT）三维点云分类项目，用于在 ModelNet40 数据集上完成训练与测试集预测，并生成 result.json。

项目简介

本项目使用 PCT 模型对三维点云进行分类。输入为点云坐标，输出为 40 个类别上的分类结果。训练数据来自本地 data/ 目录中的 .npy 文件，测试阶段会根据测试集点云生成对应的类别预测，并将结果保存为 result.json。

当前实现包含以下完整流程：

• 加载训练集和测试集点云数据
• 对训练点云进行随机增强
• 构建基于自注意力的 PCT 分类模型
• 使用 Adam 优化器与余弦退火学习率调度进行训练
• 对测试集进行推理并导出预测结果

安装依赖

• 本项目依赖 Jittor 和 Numpy 库，请参考https://cg.cs.tsinghua.edu.cn/jittor/download/ 安装所需的Jittor库。

项目结构

.
├── pct.py                  # 主训练与推理脚本
├── README.md               # 项目说明文档
└── data/
    ├── train_points.npy    # 训练点云数据
    ├── train_labels.npy    # 训练标签
    ├── test_points.npy     # 测试点云数据
    └── categories.txt      # 类别名称列表

数据说明

数据目录默认为 ./data，项目依赖以下文件：

• train_points.npy：训练集点云，形状通常为 (N, 2048, 3)
• train_labels.npy：训练集类别标签，形状通常为 (N,)
• test_points.npy：测试集点云，无标签
• categories.txt：类别名称表，便于查看类别语义

训练时脚本会从每个点云中随机采样 n_points 个点，默认采样数量为 1024。

快速开始

训练并生成测试集预测

python pct.py

指定训练参数

python pct.py --epochs 100 --batch_size 16 --n_points 1024 --lr 0.0005

可选参数

参数	默认值	说明
--data_dir	./data	数据目录
--n_points	1024	每个样本采样的点数
--batch_size	32	批大小
--epochs	250	训练轮数
--lr	0.0005	学习率
--weight_decay	1e-4	权重衰减
--seed	42	随机种子

运行结果

脚本运行完成后会生成以下文件：

• pct_model.pkl：训练后的模型参数
• result.json：测试集预测结果，格式为 {样本编号: 预测类别}

训练过程中会在终端打印每个 epoch 的日志，包括：

• Loss
• Train Acc
• LR
• Time

后续改进方向

• 增加训练集与验证集划分，监控验证准确率
• 保存最佳模型，而不是只保存最后一轮
• 增加混合精度、早停或更细致的学习率策略
• 支持从 categories.txt 导出更可读的预测结果
• 补充实验记录、结果对比和可视化图表

数据及结果

参见清华网盘 https://cloud.tsinghua.edu.cn/d/f371ab6dfdad4726b844/

许可证

本项目采用 MIT License。