PCT for ModelNet40 – 使用说明

基于 Jittor 的 Point Cloud Transformer (PCT) 模型，用于 ModelNet40 三维形状分类任务。

---

1. 环境安装

• Python 3.12

• 安装依赖（推荐使用虚拟环境）：

  • 需要jittor环境。jittor安装，请参考 Jittor 官方安装指南。

  • 其他库：

    python3.12 -m jittor_utils.install_cuda
    pip install numpy

---

2. 数据准备

数据集需预处理好为 .npy 格式，目录结构如下：

./data/
├── categories.txt       # 40 个类别名称
├── train_points.npy   # 训练点云 (N, 2048, 3)
├── train_labels.npy   # 训练标签 (N,)
└── test_points.npy    # 测试点云 (M, 2048, 3)

下载链接：ModelNet40 预处理文件。

在运行命令中通过 --data_dir 指定数据根目录，默认为 ./data。

---

3. 训练

启动训练（自动启用数据增强，默认 200 轮）：

python src/pct.py --data_dir ./data --batch_size 32 --epochs 200 --lr 0.01 --seed 42

参数说明：

参数	默认值	含义
--data_dir	./data	数据目录
--batch_size	32	批大小
--epochs	200	训练轮数
--lr	0.01	初始学习率
--n_points	1024	采样点数
--seed	42	随机种子

训练过程中会输出每个 epoch 的 loss 和训练精度，最后保存模型为 outputs/pct_model.pkl，并自动生成测试集预测文件 outputs/result.json。

---

4. 评测/推理

若已有训练好的模型 outputs/pct_model.pkl，可直接加载并对测试集进行预测（无需重新训练）。 执行：

python src/eval.py --model_path ./outputs/pct_model.pkl

输出文件 outputs/result.json 格式：{"样本编号": 预测类别, ...}。

---

5. 结果说明

• 指标：分类准确率 (Accuracy) = 正确预测样本数 / 总样本数 × 100%
• 计算方式：训练过程中打印的 Train Acc 为训练集准确率；最终提交的 result.json 在测试集上计算得到最终成绩。
• 结果波动：由于训练时训练数据做了随机增强和随机抽点，虽然设计了随机种子，但是随机数在每次运行时消耗顺序也不完全一致，因此正确率会有微小波动。测试集测试时由于也是随机抽点，因此正确率也会有微小波动。但是都能保证达到80%以上。

---