sixth_jittor_comp_track2_warmup

PCT — ModelNet40 点云分类

第六届计图人工智能挑战赛 · 赛道二热身赛。基于 Jittor 框架实现 Point Cloud Transformer (PCT)，在 ModelNet40 数据集上完成 40 类三维形状分类。

评测标准：测试集准确率 ≥ 80% 即为通过。

环境

pip install jittor numpy

数据

数据集参考赛事官方网页https://www.educoder.net/competitions/Jittor-7 将数据集解压至 ./data/ 目录：

data/
  train_points.npy    # 训练集点云 (9843, 2048, 3)
  train_labels.npy    # 训练集标签 (9843,)
  test_points.npy     # 测试集点云 (2468, 2048, 3)
  categories.txt      # 40 个类别名称

训练

# 从头训练
python pct.py

# 自定义参数
python pct.py --epochs 250 --batch_size 32 --lr 0.01

# 不开增强（调试用）
python pct.py --no_augment

脚本会自动检测 pct_model.pkl，如果存在则加载权重继续训练。如果 checkpoints/ 下有训练状态，则连 scheduler 状态一起恢复。

参数说明

参数	默认值	说明
--epochs	250	训练轮数
--batch_size	32	批次大小
--lr	0.01	初始学习率
--n_points	1024	每样本采样点数
--seed	42	随机种子
--label_smoothing	0.0	label smoothing 比例
--no_augment	False	禁用数据增强（调试用）
--checkpoint_dir	./checkpoints	checkpoint 存放目录
--save_interval	10	每隔 N 个 epoch 保存一次 checkpoint

输出

文件	说明
result.json	测试集预测结果，提交用
pct_model.pkl	训练完成后的模型权重
checkpoints/latest_model.pkl	最新 checkpoint（自动恢复用）
checkpoints/best_model.pkl	训练过程中准确率最高的模型
checkpoints/model_epoch_N.pkl	第 N 轮快照
checkpoints/checkpoint_meta.json	epoch、scheduler 状态等元信息

模型

组件	配置
输入	(B, 3, 1024) 采样点云
嵌入	Conv1d(3→128) × 2 + BN + ReLU
Self-Attention	4 层 Offset-Attention，每层 128 通道
特征融合	Concat 4 层输出 → Conv1d(512→1024)
全局池化	Max Pooling
分类头	FC(1024→512→256→40) + Dropout(0.5)
参数总量	~1.37M

训练配置

项目	配置
优化器	SGD, lr=0.01, momentum=0.9, weight_decay=1e-4
学习率	Cosine Annealing, 0.01 → 1e-5
损失函数	Cross Entropy (无 label smoothing)
数据增强	绕 Y/Z 轴随机旋转、各向同性缩放(x0.8-1.25)、抖动(σ=0.01)

提交

将 result.json 打包为 result.zip 提交：

result.zip
└── result.json

result.json 格式：

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

key 为测试集样本编号（字符串，”0” 到 “2467”），value 为预测类别（整数，0-39）。