热身赛-点云分类

基于 Jittor 实现的 Point Cloud Transformer（PCT）点云分类代码，用于 ModelNet40 三维形状分类任务。代码包含数据读取、数据增强、模型训练和测试集预测，并生成比赛提交所需的 result_4.json。

1. 环境安装

建议使用 Python 3.8+。

pip install numpy
pip install jittor

运行前请确保 CUDA 与 Jittor GPU 环境配置正常。代码默认启用 GPU：

jt.flags.use_cuda = 1

2. 数据准备

将数据放在 data/ 目录下：

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

其中：

• train_points.npy：训练点云，形状约为 (N, 2048, 3)
• train_labels.npy：训练标签，形状为 (N,)
• test_points.npy：测试点云，无标签

也可以通过 --data_dir 指定其他数据目录。

3. 训练与推理

直接运行：

python pct.py \
  --data_dir ./data \
  --n_points 1024 \
  --batch_size 32 \
  --epochs 200 \
  --lr 0.01 \
  --seed 42

主要参数：

参数	默认值	说明
--data_dir	./data	数据目录
--n_points	1024	每个样本随机采样点数
--batch_size	32	batch size
--epochs	200	训练轮数
--lr	0.01	初始学习率
--seed	42	随机种子

代码使用 Adam 优化器，并采用 Warmup + Cosine 学习率调度。训练完成后会自动对测试集进行推理。

4. 输出文件

运行完成后会生成：

pct_model_4.pkl
result_4.json

其中：

• pct_model_4.pkl：训练后的模型权重
• result_4.json：测试集预测结果，可用于比赛提交

预测结果格式为：

{
  "0": 12,
  "1": 3,
  "2": 27
}

键为测试样本编号，值为预测类别。

5. 结果与复现说明

训练过程输出 Cross Entropy Loss 和训练集分类准确率（Accuracy）。代码提供 --seed 参数，并同时设置 NumPy 与 Jittor 随机种子。

由于 GPU、Jittor/CUDA 版本以及随机采样等因素，不同环境下的结果可能存在小幅波动。

6. 代码说明

模型主体为 PCT，包括：

• 点云输入映射
• 4 层 Self-Attention
• 多层特征融合
• 全局 Max Pooling
• 全连接分类头

训练阶段使用随机旋转、随机缩放和随机平移进行数据增强。