ModelNet40 点云分类 - PCT Baseline

基于 PCT（Point Cloud Transformer）的 ModelNet40 三维形状分类项目，计图挑战赛赛道二热身赛。

项目结构

├── configs/              # 训练配置文件
│   └── default.yaml
├── data/                 # 数据目录（需自行下载，不提交）
│   ├── 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
├── scripts/              # 运行脚本
│   ├── train.sh          # Jittor 训练脚本 (Linux)
│   ├── train_pytorch.sh  # PyTorch 训练脚本 (Linux)
│   └── train_pytorch.bat # PyTorch 训练脚本 (Windows)
├── src/                  # 核心代码
│   ├── pct.py            # Jittor 版 PCT 模型
│   └── pct_pytorch.py    # PyTorch 版 PCT 模型
├── outputs/              # 日志、权重、结果（不提交）
├── requirements.txt
├── .gitignore
└── LICENSE

环境安装

Python 版本

• Python >= 3.8

方式一：Jittor（比赛原始要求）

pip install jittor numpy

方式二：PyTorch（推荐，GPU 支持更好）

# CPU
pip install torch numpy

# CUDA 12.4
pip install torch numpy --index-url https://download.pytorch.org/whl/cu124

数据准备

1. 下载 ModelNet40 点云数据（赛题提供）
2. 解压至项目根目录下的 data/ 文件夹，确保目录结构如下：

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

3. 数据路径通过 --data_dir 参数配置，默认为 ./data

训练

Jittor 版本

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

或使用脚本：

bash scripts/train.sh

PyTorch 版本

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

或使用脚本：

# Linux
bash scripts/train_pytorch.sh

# Windows
scripts\train_pytorch.bat

训练参数说明

参数	默认值	说明
--data_dir	./data	数据根目录
--n_points	1024	每个样本采样点数
--batch_size	32	批大小
--epochs	200	训练轮数
--lr	0.01	初始学习率
--seed	42	随机种子

评测/推理

训练完成后自动对测试集进行预测，生成 result.json：

# PyTorch 版本（训练完成后自动推理）
python src/pct_pytorch.py --data_dir ./data --epochs 200

输出文件 result.json 格式：

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

• key：测试集样本编号（字符串，从 “0” 开始）
• value：预测类别（整数，0-39）

结果说明

• 指标：分类准确率（Accuracy）= 正确预测数 / 总测试样本数
• 通过线：测试集准确率 >= 0.80
• 模型：PCT（Point Cloud Transformer），参数量约 1.36M
• 优化器：SGD（momentum=0.9, weight_decay=1e-4）+ Cosine Annealing 学习率调度
• 数据增强：随机 Y 轴旋转、随机缩放（0.8~1.2）、随机抖动（N(0, 0.01)）

提交方式

将 result.json 打包为 result.zip 提交：

zip result.zip result.json

第三方引用

• PCT 模型参考：PCT: Point Cloud Transformer
• Jittor 框架：Jittor
• PyTorch 框架：PyTorch