add the project’s function
该项目使用 Jittor 深度学习框架，在经典的三维形状数据集 ModelNet40 上 训练点云分类模型（如 PCT, Point Cloud Transformer），完成三维形状分类任务。
推荐使用Python 3.7和Jittor。安装 Jittor：在 Jittor 官网安装指南跟着指令进行安装。 安装依赖：在终端敲入下面两行，补齐 GPU 支持和 Numpy。
python3 -m jittor_utils.install_cuda python3 -m pip install numpy
由于点云数据集体积较大，未包含在当前 Git 仓库中。请在此下载所需的4个数据文件，并如下图放入data文件夹中。
data
项目文件夹/ ├── src/ │ ├── pct.py # 核心训练代码 │ └── eval.py # 用来测试的代码 ├── data/ # 数据文件夹 │ ├── categories.txt # 40个类别的名字 │ ├── train_points.npy # 训练用的点云数据 │ ├── train_labels.npy # 训练用的标签 │ └── test_points.npy # 测试用的点云数据 └── outputs/ # 运行代码后，自动生成该文件夹 ├── pct_model.pkl # 训练好的模型 └── result.json # 预测的答案
配好环境，并将数据放入 ./data 文件夹后，在终端输入以下命令：
./data
python3 src/pct.py --data_dir ./data --batch_size 32 --epochs 200 --lr 0.01 --seed 42
或者不加参数（使用默认参数值）直接运行：
python3 src/pct.py
运行结束之后，代码会建立 outputs 文件夹，里面有模型文件pct_model.pkl和预测答案result.json。有训练好的模型文件之后可以直接进行测试。
pct_model.pkl
result.json
python3 src/eval.py
A Jittor implementation of Point Cloud Transformer (PCT) for ModelNet40 classification
pct_jittor
功能
该项目使用 Jittor 深度学习框架，在经典的三维形状数据集 ModelNet40 上 训练点云分类模型（如 PCT, Point Cloud Transformer），完成三维形状分类任务。
环境配置
推荐使用Python 3.7和Jittor。
安装 Jittor：在 Jittor 官网安装指南跟着指令进行安装。 安装依赖：在终端敲入下面两行，补齐 GPU 支持和 Numpy。
数据准备
由于点云数据集体积较大，未包含在当前 Git 仓库中。请在此下载所需的4个数据文件，并如下图放入
data文件夹中。运行
配好环境，并将数据放入
./data文件夹后，在终端输入以下命令：或者不加参数（使用默认参数值）直接运行：
运行结束之后，代码会建立 outputs 文件夹，里面有模型文件
pct_model.pkl和预测答案result.json。有训练好的模型文件之后可以直接进行测试。