jittor-ModelNet40

计图挑战赛赛道二热身赛

赛题介绍

使用 Jittor 深度学习框架，在经典的三维形状数据集 ModelNet40 上训练点云分类模型（如 PCT, Point Cloud Transformer），完成三维形状分类任务。

赛题内容

本赛题将提供 ModelNet40 三维形状数据集（已预处理为点云格式）。参赛选手需要基于 Jittor 框架，使用点云分类模型完成 ModelNet40 数据集上的形状分类任务，对测试集中的点云预测其所属类别。

任务说明

• 输入：ModelNet40 点云数据（每个样本为 2048 个三维点），运行示例代码即可加载；
• 输出：提交格式为测试集样本的预测分类，保存为 JSON 文件，格式为字典，key 为样本编号（字符串），value 为预测类别（int）

ModelNet40 数据集简介

ModelNet40 是一个经典的三维形状分类数据集：

• 训练集样本数：9843
• 测试集样本数：2468
• 每个样本点数：2048（从网格表面均匀采样，已归一化至单位球）
• 类别数：40（涵盖飞机、椅子、桌子等常见物体类别）

Baseline 说明

本赛题提供的示例代码基于 PCT（Point Cloud Transformer） 模型。PCT baseline 的测试集准确率在 80% 通过线附近浮动，选手需要在此基础上进行适当调优（如调整学习率、数据增强策略、训练轮数等），以稳定达到通过线。

可能的优化方向包括但不限于：

• 调整超参数（学习率、优化器、调度策略等）
• 增强数据增强策略（随机旋转、缩放、抖动等）
• 改进模型结构（增加注意力头数、调整隐藏层维度等）
• 使用更强的模型架构

提交结果格式说明

将预测结果打包为 zip 提交，目录结构和文件名按照以下方式组织：

-- result.zip
  -- result.json   // 测试集预测结果

其中 result.json 的格式示例：

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

key 为测试集样本的编号（字符串，从 “0” 开始），value 为预测的类别编号（整数，0-39）。

注意事项

1. 选手需通过此热身赛后才能参加赛道二的正式赛题。
2. 比赛需要使用计图（Jittor）深度学习框架。
3. 提供的数据文件说明： data/train_points.npy：训练集点云，shape 为 (9843, 2048, 3) data/train_labels.npy：训练集标签，shape 为 (9843,)，取值 0-39 data/test_points.npy：测试集点云，shape 为 (2468, 2048, 3) data/categories.txt：40 个类别名称
4. 测试集不提供标签，选手需要通过训练好的模型进行预测并提交结果。
5. 所有团队（包括热身赛和正式赛题）需要按照开源指南进行代码开源，才能视为有效成绩，详见赛事介绍。