jittor-冬日-点云分类

计图比赛热身赛 · 战队「冬日」· 点云分类项目

基于 Jittor 框架实现 PCT（Point Cloud Transformer），对 ModelNet40 风格的点云数据进行 40 类分类，并生成比赛提交文件 result.zip。

目录结构

├── configs/            # 训练配置（记录实际使用的超参数）
├── src/                # 核心代码
│   ├── model.py        #   PCT / SA_Layer 模型定义
│   └── dataset.py      #   ModelNet40Dataset 数据集定义
├── scripts/            # 运行脚本
│   ├── train.py        #   训练（含日志、曲线、分析）
│   └── predict.py      #   推理并生成 result.json + result.zip
├── tools/              # 工具脚本
│   └── check_submission.py  # 校验提交文件格式
├── data/               # 数据目录（只放说明，大文件不入库，见 data/README.md）
├── outputs/            # 训练产物：权重/日志/曲线（默认不提交）
├── result.json         # 最终预测结果（2468 个测试样本）
└── result.zip          # 比赛提交文件

环境安装

Python >= 3.8
NVIDIA GPU + CUDA（Jittor 需要；脚本顶层设置 jt.flags.use_cuda = 1）

pip install -r requirements.txt

matplotlib 和 scikit-learn 为可选依赖，缺失时训练仍可运行（自动跳过绘图、混淆矩阵、t-SNE）。

数据准备

将比赛数据放入 data/ 目录（数据下载自比赛官方页面，不入库）：

data/
├── train_points.npy    # (9843, 2048, 3) 训练点云
├── train_labels.npy    # (9843,) 训练标签，int 0-39
├── test_points.npy     # (2468, 2048, 3) 测试点云（无标签）
└── categories.txt      # 40 个类别名，每行一个

数据根目录默认为 ./data，可用 --data_dir 修改。详见 data/README.md。

训练

python scripts/train.py --seed 42 --epochs 200 --lr 0.01 --batch_size 32 --output_dir outputs

所有超参数均有命令行参数，默认值与 configs/train_config.json 一致；命令行参数优先。
每次运行会在 outputs/ 下落盘：config.json（实际配置）、 command.txt（运行命令）、training_log.csv（日志）、每 10 epoch 的 checkpoint、pct_baseline_best.pkl（按训练准确率最优保存）。

评测/推理

# 单次推理
python scripts/predict.py --model_path outputs/pct_baseline_best.pkl

# 多次采样投票（更稳定，最终提交使用的方式）
python scripts/predict.py --model_path outputs/pct_baseline_best.pkl --num_votes 5

输出 result.json 与 result.zip（zip 内文件名必须为 result.json）。可用工具单独校验格式：

python tools/check_submission.py result.json

结果说明

指标：分类准确率（accuracy）= 预测正确样本数 / 总样本数。
比赛测试集不提供标签（data/test_labels.npy 不存在），本地无法计算测试准确率；pct_baseline_best.pkl 是按训练准确率最优保存的（本仓库训练记录：200 epochs 后最佳训练准确率 89.25%，见 outputs/training_log.csv），线上成绩以评测平台为准。
测试集点云为随机子采样（2048 → 1024），多次推理结果会有小幅波动，使用 --num_votes 5 投票可提高稳定性，最终成绩与单次推理可能存在合理差异。

第三方引用与声明

模型结构改写自 PCT 官方实现：https://github.com/MenghaoGuo/PCT （论文：PCT: Point Cloud Transformer, 2021），训练/推理流程基于比赛官方基线的 Jittor 版本整理。
框架：Jittor（清华大学计图团队）。