PCT_jittor

本项目提供了一个基于Jittor (计图)深度学习框架的 PCT (Point Cloud Transformer) 模型实现，用于完成 ModelNet40 三维点云数据集的分类任务。

本项目支持完整的端到端训练与推理流程，并在原生代码的基础上完善了数据增强策略与优化器配置，最终会自动生成用于提交的 result.json 预测结果。

目录结构

在运行代码之前，请确保你的项目文件夹结构如下：

PCT-ModelNet40/
│
├── pct.py                  # 核心代码（包含模型定义、训练、推理）
├── README.md               # 项目说明文档
│
└── data/                   # 数据集存放目录（需自行下载并放置）
    ├── categories.txt      # 物品分类
    ├── train_points.npy    # 训练集点云数据 (N, 2048, 3)
    ├── train_labels.npy    # 训练集标签数据 (N,)
    └── test_points.npy     # 测试集点云数据 (M, 2048, 3)

数据集下载方式：可以从https://www.educoder.net/competitions/Jittor-7 下载比赛官方提供的数据集。

环境依赖

请确保你的系统中安装了 Python 3.7 或更高版本。运行本项目需要安装 jittor 和 numpy。

你可以通过以下命令快速安装：

pip install jittor numpy

核心优化 (Completed TODOs)

在 pct.py 中，我已经完成了以下关键部分的优化：

三维数据增强：
- 随机旋转：绕 Y 轴进行 $0 \sim 2\pi$ 的随机旋转，增强模型的旋转不变性。
- 随机缩放：在 $0.8 \sim 1.2$ 倍之间各向异性随机缩放物体大小。
- 随机抖动：在三维空间中对点云进行轻微的随机平移偏移。有效防止了模型在训练集上过拟合。
优化器与学习率调度：
- 使用了对 Transformer 架构更友好的 Adam 优化器（替代了基础的 SGD）。
- 配合余弦退火算法 (Cosine Annealing LR) 动态调整学习率，使得模型在训练后期收敛更加平稳。
Loss函数：
- 使用了带 Label Smoothing 的 Loss（替代了传统交叉熵损失函数）。

如何运行

打开终端，进入项目所在目录。

1. 快速开始（默认配置）

直接运行以下命令即可开始训练并自动生成测试集预测结果：

python pct.py

2. 自定义参数运行

代码中预留了命令行参数接口，可以根据显存大小或训练需求调整参数：

python pct.py --epochs 200 --batch_size 32 --lr 0.001 --n_points 1024

参数说明：

--data_dir: 数据集存放路径（默认：./data）
--n_points: 每个样本采样的点云数量（默认：1024）
--batch_size: 批次大小，显存不足可调小至 16 或 8（默认：32）
--epochs: 总训练轮数（默认：200）
--lr: 初始学习率（默认：0.0001）
--seed: 随机种子，保证结果可复现（默认：42）

输出文件

训练和推理结束后，当前目录下会生成两个重要文件：

**pct_model.pkl**：训练好的 Jittor 模型权重文件。如果你后续需要继续训练或查看模型，可以加载该文件。
**result.json**：测试集的预测结果，格式为字典 {"样本编号": 预测类别ID}。此文件可直接用于提交比赛成绩。