PCT_jittor_zhangsz24

本项目用于图形学实验 PA3（点云分类），基于 pct.py 完成训练、模型保存与测试集预测导出。

1. 项目功能

• 使用 ModelNet40 点云数据训练 PCT 点云分类网络；
• 训练完成后导出：
  • pct_model.pkl（模型参数）
  • result.json（测试集预测结果）

2. 环境依赖

• Python 3.10+（本项目在 Python 3.12 下运行）
• Jittor
• numpy
• tqdm（可选，用于进度条）

安装依赖（示例）：

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -U pip
python -m pip install jittor numpy tqdm

3. 数据准备

默认数据目录为 ./data，需要以下文件：

• data/train_points.npy，
• data/train_labels.npy，
• data/test_points.npy，

可用以下命令快速检查：

4. 使用方法

4.1 基线训练（推荐起点）

source .jtvenv/bin/activate

python pct.py \
  --use_cuda 1 \
  --optimizer sgd \
  --scheduler cosine \
  --augment_level basic \
  --epochs 200 \
  --batch_size 32 \
  --lr 0.01

4.2 常用参数说明

• --use_cuda {0,1}：是否使用 GPU；
• --optimizer {sgd,adam}：优化器选择；
• --scheduler {cosine,warmup_cosine}：学习率调度器；
• --augment_level {none,basic,strong}：增强强度；
• --normalize_points：是否对每个点云做单位球归一化（默认关闭）；
• --warmup_epochs：warmup 轮数（用于 warmup_cosine）。

注：本次测试使用参数为–use_cuda 1 –optimizer sgd –scheduler cosine –augment_level basic

5. 已做的优化内容

在 pct.py 中，围绕“可控提升精度 + 可复现实验”做了以下优化：

1. 增强策略分级（可控）

   • basic：随机绕 Y 轴旋转（稳定基线）；
   • strong：在 basic 基础上加入轻量缩放、平移与高斯抖动；
   • none：关闭增强，用于对照实验。

2. 优化器可切换

   • 支持 SGD 与 Adam 两条训练路线；
   • 默认回到更稳定的 SGD 基线配置。

3. 学习率调度可切换

   • cosine：余弦退火；
   • warmup_cosine：前期 warmup + 后期 cosine。

4. 归一化可选

   • 增加 --normalize_points 开关，用于对每个采样点云做中心化与单位球归一化，默认关闭。

6. 目录结构

.
├── data/
│   ├── train_points.npy   #用户自己放置
│   ├── train_labels.npy   #用户自己放置
│   └── test_points.npy    #用户自己放置
├── pct.py
├── pct_model.pkl          # 训练后生成
└── result.json            # 预测后生成