jittor-好厚米-pct

项目简介

本项目为计图挑战赛赛道二热身赛参赛项目，使用 Jittor 深度学习框架，在 ModelNet40 点云数据集上完成三维形状分类任务。

本项目基于赛事提供的 PCT（Point Cloud Transformer）示例代码进行优化，模型输入为三维点云，输出为对应的类别编号。

环境安装

推荐运行环境：

• Python 3.9
• Jittor
• NumPy
• CUDA

安装依赖：

pip install jittor numpy

数据准备

从比赛页面下载并解压 ModelNet40 点云数据，将数据文件放在项目的 data 目录下。

目录结构如下：

data/
├── train_points.npy
├── train_labels.npy
├── test_points.npy
└── categories.txt

数据文件说明：

• train_points.npy：训练集点云，shape 为 (9843, 2048, 3)
• train_labels.npy：训练集标签，shape 为 (9843,)
• test_points.npy：测试集点云，shape 为 (2468, 2048, 3)
• categories.txt：40个类别名称

比赛数据不包含在本开源仓库中，请从比赛官方页面获取。

运行方法

执行以下命令进行训练和测试集预测：

python pct.py --data_dir ./data --n_points 1024 --batch_size 32 --epochs 250 --lr 0.001 --seed 42 --output_dir ./outputs

参数说明：

• --data_dir：数据集目录
• --n_points：每个样本使用的点数
• --batch_size：训练批次大小
• --epochs：训练轮数
• --lr：初始学习率
• --seed：随机种子
• --output_dir：模型和预测结果保存目录

如果显存不足，可以减小批次大小：

python pct.py --data_dir ./data --batch_size 16 --output_dir ./outputs

输出结果

训练和预测完成后，将在 outputs 目录下生成：

outputs/
├── pct_model.pkl
└── result.json

其中：

• pct_model.pkl：训练得到的模型参数
• result.json：测试集预测结果

result.json 格式如下：

{
    "0": 4,
    "1": 35,
    "2": 10
}

字典的 key 为测试集样本编号，value 为模型预测的类别编号，类别编号范围为 0-39。

提交结果

将生成的 result.json 压缩为 result.zip，压缩包结构必须为：

result.zip
└── result.json

Linux 环境下可以执行：

cd outputs
zip result.zip result.json

请确保压缩包中没有额外目录，即解压 result.zip 后可以直接得到 result.json。

模型优化

本项目在 PCT baseline 的基础上进行了以下优化：

1. 增加随机旋转、缩放、平移和随机抖动等数据增强。
2. 使用 Adam 优化器进行模型训练。
3. 使用带 Warmup 的余弦退火学习率策略。
4. 使用 Label Smoothing 损失函数降低过拟合。
5. 通过随机种子提高实验的可复现性。

评测方式

比赛使用测试集分类准确率 Accuracy 作为评测指标：

Accuracy = 正确分类的样本数 / 测试集样本总数

热身赛通过要求为测试集准确率不低于 0.80，最终成绩以比赛平台评测结果为准。

开源说明

本仓库仅包含模型训练与预测代码，不包含以下文件：

• ModelNet40 原始数据
• 模型权重
• 测试集预测结果
• 训练日志及其他中间产物

本项目基于赛事提供的 PCT 示例代码进行修改和优化，仅用于计图挑战赛参赛与学习交流。

License

本项目采用 MIT License。