计图挑战赛赛道二热身赛

本仓库为计图挑战赛赛道二热身赛的开源实现，基于 Jittor 深度学习框架，在 ModelNet40 点云数据集上使用 PCT（Point Cloud Transformer）完成三维形状分类任务，并生成比赛提交文件 result.json。

任务简介

• 任务类型：点云分类
• 深度学习框架：Jittor
• 数据集：ModelNet40
• 输入：每个样本为 2048 x 3 的点云
• 输出：测试集样本对应的类别编号
• 评测指标：Accuracy
• 通过标准：测试集准确率 >= 0.80

数据说明

数据目录为 data/，当前使用的文件如下：

• 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,)
• data/test_points.npy：测试集点云，shape 为 (2468, 2048, 3)
• data/categories.txt：40 个类别名称

说明：

• 训练集共 9843 个样本
• 测试集共 2468 个样本
• 类别数为 40
• 测试集不提供标签，因此本地无法计算 test acc

项目结构

.
├── data/
│   ├── categories.txt
│   ├── test_points.npy
│   ├── train_labels.npy
│   └── train_points.npy
├── pct.py
├── pct_model.pkl
├── result.json
└── README.md

主要文件说明：

• pct.py：PCT baseline 训练与推理代码
• pct_model.pkl：训练后保存的模型参数文件
• result.json：对测试集预测后生成的提交文件

环境准备

建议在独立的 conda 环境中运行，例如：

conda create -n jitu python=3.7 -y
conda activate jitu
pip install jittor

如果机器具备 CUDA 环境，Jittor 首次运行时会进行编译和相关依赖检查，首次启动时间会明显更长。

运行方法

进入项目目录：

cd /root/competition

激活环境：

conda activate jitu

训练并生成预测结果：

python pct.py --data_dir /root/competition/data

也可以自定义参数运行：

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

运行完成后，会在当前目录下生成：

• pct_model.pkl
• result.json

代码说明

当前实现包含以下内容：

• ModelNet40 点云数据读取
• PCT 模型定义
• 训练流程
• 学习率调度
• 测试集推理
• 结果导出为 result.json

代码中按赛题要求，仅在 TODO 区域补充了：

• 数据增强策略
• 优化器与学习率调度配置

结果文件格式

提交时需要将 result.json 打包为 result.zip，目录结构如下：

result.zip
└── result.json

result.json 的格式示例如下：

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

格式要求：

• key：测试集样本编号，字符串类型，从 "0" 开始
• value：预测类别编号，整数类型，范围为 0-39

打包命令示例：

zip result.zip result.json

训练与评测说明

• 本地训练日志中可以看到 train loss 和 train acc
• 由于测试集无标签，本地只能生成预测结果，无法直接计算 test acc
• 最终成绩以比赛平台在线评测结果为准

可进一步优化的方向

• 调整优化器与学习率
• 调整数据增强强度
• 增加训练轮数
• 引入验证集做参数选择
• 调整模型结构与隐藏维度
• 使用更强的点云分类模型

注意事项

• 本项目面向计图挑战赛赛道二热身赛
• 比赛要求使用 Jittor 框架完成训练与推理
• 所有有效成绩需按赛事要求进行代码开源