复现指南

1. 实验环境

• 硬件环境

  • GPU：NVIDIA RTX 4090 (24GB) × 1
  • CPU：25 vCPU Intel(R) Xeon(R) Platinum 8481C
  • 内存：90 GB
  • 硬盘：系统盘 30GB，数据盘 50GB SSD

• 软件环境

  • OS：Ubuntu 22.04
  • Python：3.12
  • PyTorch：2.3.0
  • CUDA：12.1

---

2. 克隆仓库

# HTTPS
git clone https://github.com/Sy-SU/3D-Shape-Tokenization.git

# 或 SSH（需提前配置 SSH Key）
git clone git@github.com:Sy-SU/3D-Shape-Tokenization.git

进入项目目录：

cd 3D-Shape-Tokenization/

---

3. 安装依赖

建议在虚拟环境中安装依赖：

pip install -r requirements.txt

如需加速：

pip install -i https://mirrors.aliyun.com/pypi/simple -r requirements.txt

---

4. 数据准备

将 ShapeNetCore.v2.PC15k 或子集解压至数据盘，例如：

/root/autodl-fs/chair/
/root/autodl-fs/demo/

目录结构示例：

chair/
  ├── train/*.npy
  ├── val/*.npy
  └── test/*.npy

---

5. 训练

项目提供统一入口脚本 scripts/task.sh。使用前先授予执行权限：

chmod +x ./scripts/task.sh

示例一：在 Chair 数据集上训练

./scripts/task.sh --data_root /root/autodl-fs/chair --timestamp chair_run_001 --max_batches -1

示例二：在 Demo 数据集上训练

./scripts/task.sh --data_root /root/autodl-fs/demo --timestamp demo_run_001 --max_batches -1

参数说明：

• --data_root：数据集路径
• --timestamp：运行标识，用于区分实验结果
• --max_batches：最大训练批次数，-1 表示不限制

---

6. 评估与可视化

在训练完成后，可以运行提供的脚本进行评估和可视化。

评估模型

chmod +x ./scripts/eval.sh
./scripts/eval.sh --data_root '/root/autodl-fs/chair' --timestamp chair_eval_001

可视化结果

chmod +x ./scripts/visualize.sh
./scripts/visualize.sh --data_root '/root/autodl-fs/chair' --timestamp chair_vis_001

重建过程可视化

你还可以直接生成逐步的重建可视化结果：

python tools/integration.py --data_root '/root/autodl-fs/chair'

输出的点云结果会保存到 outs/ 目录下，包含重建可视化和日志文件。

---