Pointgroup:ConfigParameters

PointGroup 학습 설정 파일 파라미터 해설 및 수정 가이드

개요

이 문서는 Pointcept의 PointGroup instance segmentation 학습 설정 파일 전역의 파라미터를 한글로 설명하고, 각 파라미터의 수정 가이드라인을 정리한 것이다.

기준 파일:

configs/scannet/insseg-pointgroup-v1m1-0-spunet-base.py (주 설정)
configs/_base_/default_runtime.py (상속되는 기본 런타임 설정)

설정 파일은 _base_로 기본 런타임을 상속하고, 주 설정에서 같은 이름의 변수를 다시 정의하면 덮어쓴다. 아래 표의 "기본값"은 두 파일을 합친 최종 유효값이다.

범례

<span style="color:blue;font-weight:bold">안전: 자유롭게 바꿔도 되는 값
<span style="color:orange;font-weight:bold">주의: 다른 값과 연동되거나 결과에 크게 영향
<span style="color:red;font-weight:bold">위험: 함부로 바꾸면 학습이 깨지거나 평가가 무의미해짐

1. 런타임 / 실행 제어 (default_runtime.py)

파라미터	기본값	설명	수정 가이드
`weight`	None	학습 시작 시 불러올 모델 가중치 경로. `CheckpointLoader` 훅이 사용	사전 학습된 backbone(예: Sonata, PTv3)으로 fine-tune할 때 지정. 키 이름이 다르면 `CheckpointLoader`의 `keywords/replacement`로 매핑
`resume`	False	중단된 학습을 이어서 진행. optimizer/scheduler 상태까지 복원	같은 `save_path`의 `model_last.pth`를 이어갈 때 True. 새 데이터셋으로 바꿨으면 False
`evaluate`	True	매 eval 주기마다 val 셋 평가 수행	평가 시간이 길면 False로 하고 나중에 test_only로 평가. 단, best checkpoint 저장이 안 됨
`test_only`	False	학습 없이 test만 수행	`tools/test.sh`가 자동으로 설정. 직접 건드릴 일 없음
`seed`	None	난수 시드. None이면 무작위 생성 후 기록	재현 실험 시 고정. ablation 비교는 반드시 같은 seed
`save_path`	"exp/default"	로그, checkpoint, config 백업 저장 경로	실험마다 다른 경로. `tools/train.sh -n`이 자동 설정
`num_worker`	12	전체 GPU에 걸친 DataLoader worker 총 수	CPU 코어 수 이하. RAM 부족(OOM kill)이면 줄임. GPU당 4~8 권장
`batch_size`	12	전체 GPU에 걸친 총 배치 크기. GPU당 = batch_size / GPU 수	<span style="color:orange;font-weight:bold">주의 GPU 메모리에 맞춤. 줄이면 `lr`도 비례해서 줄이는 것이 안전. GPU 수로 나누어떨어져야 함
`gradient_accumulation_steps`	1	이 횟수만큼 gradient를 누적한 뒤 한 번 update. 유효 배치 = batch_size × steps	메모리가 부족해 batch_size를 못 늘릴 때 사용. BN 통계는 누적되지 않으므로 완전한 대체는 아님
`batch_size_val`	None	val 배치. None이면 GPU당 1	instance seg는 scene 단위 평가라 1 유지 권장
`batch_size_test`	None	test 배치. None이면 GPU당 1	1 유지
`epoch`	800	총 학습 epoch	<span style="color:orange;font-weight:bold">주의 데이터가 100장→700장으로 늘면 같은 epoch라도 iteration이 7배. 총 iteration 기준으로 재설정. 수렴 곡선 보고 결정
`eval_epoch`	100	평가/checkpoint 주기 계산용. 데이터 loop 수 = epoch // eval_epoch	epoch을 바꾸면 같이 조정. 평가를 더 자주 보려면 값을 낮춤
`clip_grad`	None	gradient norm clipping 값. None이면 비활성	loss가 NaN/발산하면 1.0~10.0 설정
`sync_bn`	False	멀티 GPU에서 BatchNorm 통계 동기화	GPU당 배치가 2 이하로 작으면 True 권장. 속도는 약간 느려짐
`enable_amp`	True	자동 혼합 정밀도(AMP) 사용	메모리/속도 이득 큼. NaN 발생 시 False로 확인
`amp_dtype`	"float16"	AMP 자료형	Ampere 이상 GPU면 "bfloat16"이 수치적으로 더 안정
`empty_cache`	False	매 iteration마다 CUDA 캐시 비움	매우 느려짐. OOM이 간헐적일 때만 True
`empty_cache_per_epoch`	False	epoch마다 CUDA 캐시 비움	위와 동일, 부담이 적은 대안
`find_unused_parameters`	False	DDP에서 사용되지 않는 파라미터 허용	모델 일부를 freeze했을 때 에러가 나면 True
`enable_wandb`	True	Weights & Biases 로깅	오프라인 환경이면 False
`wandb_project`	"pointcept"	wandb 프로젝트 이름	자유롭게
`wandb_key`	None	wandb API 토큰. None이면 터미널 로그인 사용	자유롭게
`mix_prob`	0	배치 내 scene 두 개를 섞는 CutMix 계열 augmentation 확률	<span style="color:red;font-weight:bold">위험 instance seg에서는 반드시 0. 섞으면 instance id가 충돌함
`param_dicts`	None	키워드별 learning rate 배율. 예: `[dict(keyword="backbone", lr_scale=0.1)]`	사전 학습 backbone을 fine-tune할 때 backbone lr을 낮추는 용도

2. 클래스 정의

파라미터	기본값	설명	수정 가이드
`class_names`	ScanNet 20개	클래스 이름 목록. 순서가 라벨 정수와 대응	<span style="color:red;font-weight:bold">위험 사용자 데이터셋의 라벨 인덱스와 정확히 일치해야 함. 순서 바꾸면 평가 결과가 뒤바뀜
`num_classes`	20	semantic 클래스 수	`len(class_names)`와 동일해야 함
`segment_ignore_index`	(-1, 0, 1)	instance 대상에서 제외할 semantic 라벨. -1은 unlabeled, 0/1은 ScanNet의 wall/floor	<span style="color:red;font-weight:bold">위험 모델의 클러스터링, `InstanceParser`, evaluator, tester 네 곳에 동일하게 전달됨. 사용자 데이터에서 "배경" 클래스 인덱스로 재정의. 여기 포함된 클래스는 instance로 절대 검출되지 않음

3. 모델

3.1 최상위 (PG-v1m1)

파라미터	기본값	설명	수정 가이드
`type`	"PG-v1m1"	모델 레지스트리 이름	PTv3 backbone을 쓰려면 "PG-v1m2" + PT-v3m1 backbone 조합 참고(`configs/scannetpp/insseg-pointgroup-v1m2-0-ptv3-base.py`)
`backbone_out_channels`	96	backbone 출력 feature 차원. seg_head, bias_head의 입력	backbone `channels`의 마지막 값과 일치해야 함
`semantic_num_classes`	num_classes	semantic head 출력 수	`num_classes` 그대로
`semantic_ignore_index`	-1	CE loss에서 무시할 라벨	데이터의 unlabeled 값과 맞춤
`segment_ignore_index`	(-1, 0, 1)	추론 시 이 semantic 예측을 받은 점은 클러스터링에서 제외	2절 참조
`instance_ignore_index`	-1	offset loss에서 제외할 instance 라벨	`InstanceParser`의 값과 동일해야 함
`cluster_thresh`	1.5	ball query 반경. 복셀 단위(grid_size 0.02면 3cm). 중심 예측이 이 거리 안이면 같은 클러스터 후보	<span style="color:orange;font-weight:bold">주의 작은 객체가 이웃과 병합되면 줄이고(1.0~1.2), 하나의 객체가 여러 조각으로 쪼개지면 늘림(2.0). grid_size를 바꾸면 물리 거리가 달라지므로 재조정
`cluster_closed_points`	300	ball query에서 한 점당 최대 이웃 수	점 밀도가 매우 높으면 늘림. 속도/메모리에 영향
`cluster_min_points`	50	BFS 클러스터링에서 이 점 수 미만인 클러스터는 생성하지 않음	<span style="color:orange;font-weight:bold">주의 작은 객체 미검출의 직접 원인. 10~20으로 낮춰 실험. 너무 낮추면 노이즈 proposal 증가
`cluster_propose_points`	100	생성된 proposal 중 이 점 수 이하는 폐기	<span style="color:orange;font-weight:bold">주의 작은 객체 미검출의 직접 원인. `cluster_min_points`와 함께 낮춤. evaluator `min_region_sizes`와 맞춰야 평가에 반영됨
`voxel_size`	0.02	추론 시 중심 예측 좌표를 복셀 단위로 변환하는 나눗셈 값	<span style="color:red;font-weight:bold">위험 `GridSample grid_size`와 반드시 동일. 다르면 cluster_thresh의 의미가 깨짐

Loss 구성 (코드 고정, config에서 조정 불가)

loss = seg_loss + bias_l1_loss + bias_cosine_loss
seg_loss: semantic CrossEntropy (class weight 없음)
bias_l1_loss: 점→instance 중심 offset의 L1. 점 단위 평균이라 큰 객체가 지배
bias_cosine_loss: offset 방향의 cosine 유사도
작은 객체 가중치를 주려면 point_group_v1m1_base.py의 loss 부분을 직접 수정해야 함

3.2 Backbone (SpUNet-v1m1)

파라미터	기본값	설명	수정 가이드
`type`	"SpUNet-v1m1"	spconv 기반 sparse 3D UNet	그대로
`in_channels`	6	입력 feature 차원. `Collect feat_keys`의 합(color 3 + normal 3)	<span style="color:red;font-weight:bold">위험 feat_keys를 바꾸면 반드시 같이 수정. color만 쓰면 3, 좌표까지 넣으면 9
`num_classes`	0	backbone 자체 분류 head 수. 0이면 head 없이 feature만 출력	PointGroup에서는 0 유지 (head는 PG 쪽에 있음)
`channels`	(32, 64, 128, 256, 256, 128, 96, 96)	인코더 4단계 + 디코더 4단계 채널. 앞 절반 인코더, 뒤 절반 디코더	마지막 값 = `backbone_out_channels`. 작은 객체를 위해 얕은 단계(32, 64) 채널을 키우는 것이 깊은 단계보다 효과적. 메모리 증가
`layers`	(2, 3, 4, 6, 2, 2, 2, 2)	각 단계의 residual block 수	channels와 길이가 같아야 하고 짝수. 늘리면 용량 증가, 속도 저하

4. Optimizer / Scheduler

파라미터	기본값	설명	수정 가이드
`optimizer.type`	"SGD"	최적화 알고리즘	SpUNet은 SGD가 표준. PTv3 backbone이면 AdamW(lr 0.002~0.006)
`optimizer.lr`	0.1	초기 learning rate	<span style="color:orange;font-weight:bold">주의 batch_size 12 기준. 배치를 절반으로 줄이면 0.05. 발산하면 절반씩 줄임
`optimizer.momentum`	0.9	SGD momentum	그대로
`optimizer.weight_decay`	0.0001	L2 정규화	과적합이면 0.0005까지. 데이터가 적을수록 올리는 편
`optimizer.nesterov`	True	Nesterov momentum	그대로
`scheduler.type`	"PolyLR" \|\| lr = lr₀ × (1 − step/total)^0.9. 총 step에 걸쳐 0으로 감소	epoch을 바꾸면 자동으로 total_steps가 바뀜. warmup이 필요하면 "OneCycleLR" 고려

5. 데이터셋 공통

파라미터	기본값	설명	수정 가이드
`dataset_type`	"ScanNetDataset"	데이터셋 클래스	사용자 데이터면 `pointcept/datasets/`에 클래스 추가하거나 "DefaultDataset" 사용
`data_root`	"data/scannet"	전처리된 데이터 루트. 하위에 train/val 디렉터리	전처리 결과 경로
`data.num_classes`	num_classes	데이터셋 메타	2절과 동일
`data.ignore_index`	-1	데이터셋 메타	2절과 동일
`data.names`	class_names	evaluator가 클래스별 AP 출력에 사용	2절과 동일
`train/val/test.split`	"train" / "val" / "val"	사용할 split 디렉터리	test는 별도 split이 있으면 "test"로. 라벨 없는 test는 현재 tester가 지원하지 않음
`test_mode`	False	True면 GridSample test 모드(전체 복셀 순회)와 TTA 활성	instance seg는 아직 test_mode 미지원. False 유지

6. Train transform (augmentation 파이프라인)

순서대로 적용된다. 순서 자체가 의미를 가진다. 기하 augmentation → 색상 augmentation → 복셀화 → crop → 정규화 → 라벨 파싱 → tensor 변환.

Transform	파라미터	기본값	설명	수정 가이드
`CenterShift`	apply_z	True	점군의 xy(그리고 z) 최소/최대 중앙을 원점으로 이동	그대로. 첫 단계로 필수
`RandomDropout`	dropout_ratio	0.2	점의 20%를 무작위 제거	<span style="color:orange;font-weight:bold">주의 작은 객체는 점이 적어 dropout에 취약. 0.1로 낮추거나 제거 실험
	dropout_application_ratio	0.5	이 확률로 dropout 적용	위와 함께 조정
`RandomRotate` (z)	angle	[-1, 1]	π 단위. [-π, π] 범위 무작위 z축 회전	실내 scene은 그대로. 방향이 고정된 데이터(예: 항상 정면)면 범위 축소
	axis	"z"	회전축	그대로
	center	[0, 0, 0]	회전 중심	CenterShift 후이므로 원점
	p	0.5	적용 확률	그대로
`RandomRotate` (x, y)	angle	[-1/64, 1/64]	±2.8° 기울임. 센서 기울기 시뮬레이션	지면이 항상 수평이면 제거 가능
`RandomScale`	scale	[0.9, 1.1]	등방성 무작위 스케일	<span style="color:orange;font-weight:bold">주의 작은 객체 검출 강화에는 [0.8, 1.2]로 넓히는 것이 도움될 수 있음. 단, cluster_thresh는 복셀 단위라 스케일 변화가 물리 크기 감각을 흔듦
	anisotropic	False	축별 다른 스케일	일반적으로 False
`RandomFlip`	p	0.5	x 또는 y축 반전	좌우 비대칭이 의미 있는 데이터가 아니면 그대로
`RandomJitter`	sigma	0.005	점별 가우시안 노이즈 표준편차(m)	센서 노이즈 수준에 맞춤. 5mm는 RGB-D 기준
	clip	0.02	노이즈 최대 절댓값(m)	그대로
`ElasticDistortion`	distortion_params	[[0.2, 0.4], [0.8, 1.6]]	[격자 크기(m), 변형 크기] 쌍. 20cm/80cm 격자로 비선형 왜곡	<span style="color:orange;font-weight:bold">주의 작은 객체의 형태를 무너뜨릴 수 있음. 미검출 원인 실험 시 제거해서 비교
`ChromaticAutoContrast`	p	0.2	색상 대비 자동 조정 확률	그대로
	blend_factor	None	원본과 혼합 비율. None이면 무작위	그대로
`ChromaticTranslation`	p	0.95	전체 색상에 일정 오프셋 더할 확률	그대로
	ratio	0.1	오프셋 범위 (255 기준 ±10%)	조명 변화가 크면 유지, 색상이 중요한 클래스면 낮춤
`ChromaticJitter`	p	0.95	점별 색상 노이즈 확률	그대로
	std	0.05	노이즈 표준편차 (255 기준)	그대로
`GridSample`	grid_size	0.02	복셀 크기(m). 같은 복셀의 점은 하나로 병합	<span style="color:red;font-weight:bold">위험 가장 영향이 큰 값. 작은 객체 위해 0.01로 줄이면 점 수 2~8배, 메모리 그만큼 증가. 모델 `voxel_size`, val/test의 grid_size와 반드시 동일. cluster_* 값 재조정 필요
	hash_type	"fnv"	복셀 해시 함수	그대로
	mode	"train"	복셀당 무작위 1점 선택	train은 "train" 고정
	return_grid_coord	True	정수 복셀 좌표 반환. spconv 입력에 필수	True 고정
`SphereCrop`	sample_rate	0.8	무작위 중심에서 가까운 80% 점만 유지	<span style="color:orange;font-weight:bold">주의 20%가 잘려나가며 작은 객체가 통째로 사라질 수 있음. 1.0 또는 제거 실험. 메모리 여유 있으면 point_max 방식으로 전환
	mode	"random"	중심 선택 방식	train은 random
`NormalizeColor`	(없음)		색상을 [0,255] → [-1,1]로 정규화	색상이 이미 정규화되어 있으면 제거. 없는 경우 색상 0 채우기
`InstanceParser`	segment_ignore_index	(-1, 0, 1)	이 semantic의 instance를 -1로 바꾸고 각 instance의 centroid, bbox 계산	2절과 동일 값
	instance_ignore_index	-1	무시 instance 값	모델 값과 동일
`ToTensor`	(없음)		numpy → torch 변환	그대로
`Collect`	keys	coord, grid_coord, segment, instance, instance_centroid, bbox	모델에 전달할 키 목록	모델 forward가 요구하는 키. 그대로
	feat_keys	("color", "normal")	이 키들을 concat해 `feat` 생성	<span style="color:red;font-weight:bold">위험 바꾸면 backbone `in_channels` 동시 수정. normal이 없는 데이터면 ("color",) + in_channels=3

7. Val / Test transform

augmentation 없이 확정적으로 처리한다. train과 다른 점만 정리한다.

Transform	파라미터	기본값	설명	수정 가이드
`Copy`	keys_dict	coord→origin_coord, segment→origin_segment, instance→origin_instance	복셀화 전 원본 점을 보존. evaluator가 원본 해상도로 AP 계산	그대로. 제거하면 평가 불가
`GridSample`	grid_size	0.02	train과 동일해야 함	<span style="color:red;font-weight:bold">위험 train과 항상 동일
`SphereCrop` (주석)	point_max	1000000	메모리 초과 시 활성화	매우 큰 scene에서 OOM이면 주석 해제
`CenterShift`	apply_z	False	GridSample 후 xy만 재중심	그대로
`Collect`	keys	train 키 + origin_*, name	원본 좌표/라벨과 scene 이름 전달	그대로
	offset_keys_dict	offset→coord, origin_offset→origin_coord	배치 내 scene 경계 offset을 두 해상도로 생성	그대로

8. Hooks

Hook	파라미터	기본값	설명	수정 가이드
`CheckpointLoader`	keywords / replacement	"module." / "module."	`weight` 로드 시 state_dict 키 치환	다른 프레임워크 가중치를 쓸 때 prefix 매핑
`IterationTimer`	warmup_iter	2	처음 N iteration은 시간 측정에서 제외	그대로
`InformationWriter`	(없음)		loss, lr을 로그/tensorboard/wandb 기록	그대로
`InsSegEvaluator`	segment_ignore_index	(-1, 0, 1)	평가에서 제외할 클래스	2절과 동일
	instance_ignore_index	-1		동일
	(코드 내부) min_region_sizes	100	100점 미만 예측은 평가 제외	<span style="color:orange;font-weight:bold">주의 config에서 노출되지 않음. `evaluator.py:339`를 직접 수정. cluster_propose_points와 맞춤
	(코드 내부) overlaps	0.5~0.95 + 0.25	AP 계산 IoU 임계값. mAP, AP50, AP25 산출	그대로
`CheckpointSaver`	save_freq	None	None이면 model_last + model_best만 저장. 정수면 N epoch마다 추가 저장	디스크 여유 있으면 100 등으로 설정해 중간 복구 가능하게
`PreciseEvaluator`	test_last	False	학습 종료 후 tester로 정밀 평가. False면 best, True면 last checkpoint	그대로

9. Tester

파라미터	기본값	설명	수정 가이드
`test.type`	"InsSegTester"	instance seg 전용 tester	그대로
`segment_ignore_index`	(-1, 0, 1)	2절과 동일	동일
`instance_ignore_index`	-1		동일
`verbose`	False	scene별 결과 상세 출력	실패 유형 분석 시 True

10. 연동 관계 요약

한 값을 바꾸면 반드시 함께 바꿔야 하는 묶음이다.

묶음	함께 바꿀 항목
복셀 크기	`train.GridSample.grid_size` = `val.GridSample.grid_size` = `test.GridSample.grid_size` = `model.voxel_size`. 바꾸면 `cluster_thresh`, `cluster_min_points`, `cluster_propose_points`, evaluator `min_region_sizes`도 재조정
무시 클래스	`segment_ignore_index` 한 변수로 모델, InstanceParser(train/val/test), InsSegEvaluator, InsSegTester에 전달. 변수만 바꾸면 됨
입력 feature	`Collect.feat_keys` ↔ `backbone.in_channels`
backbone 출력	`backbone.channels[-1]` ↔ `backbone_out_channels`
클래스 수	`class_names` 길이 = `num_classes` = `semantic_num_classes` = `data.num_classes`
배치와 lr	`batch_size` 변경 시 `optimizer.lr` 비례 조정
epoch	`epoch` 변경 시 `eval_epoch` 조정. PolyLR total_steps는 자동
작은 객체 필터	`cluster_min_points` ≤ `cluster_propose_points` ≈ evaluator `min_region_sizes`

11. 작은 객체 개선을 위한 권장 수정 순서

재훈련 없이: cluster_min_points 50→10, cluster_propose_points 100→20, evaluator min_region_sizes 100→20 후 test 재실행
재훈련 필요, 저비용: SphereCrop 제거 또는 sample_rate 1.0, RandomDropout dropout_ratio 0.1, ElasticDistortion 제거
재훈련 필요, 고비용: grid_size 0.02→0.01 (+ voxel_size, cluster_* 재조정, batch_size 절반, lr 절반)
코드 수정: seg_loss에 class weight, bias_l1_loss를 instance 단위 평균으로 변경

12. PTv3 backbone 사용 시 (PG-v1m2) 차이점

기준 파일: configs/scannetpp/insseg-pointgroup-v1m2-0-ptv3-base.py, 모델 코드 pointcept/models/point_group/point_group_v1m2_custom_criteria.py

위 1~11절의 파라미터 중 런타임, 클래스 정의, cluster_*, voxel_size, 데이터셋, val/test transform, hooks, tester는 그대로 동일하다. 다른 부분만 아래에 정리한다.

12.1 모델 최상위

파라미터	SpUNet (PG-v1m1)	PTv3 (PG-v1m2)	설명 / 가이드
`type`	"PG-v1m1"	"PG-v1m2"	v1m2는 loss를 config로 받고 backbone freeze를 지원
`backbone_out_channels`	96	64	PTv3 `dec_channels[0]`과 일치해야 함
`criteria`	(없음, CE 고정)	CrossEntropyLoss + LovaszLoss	<span style="color:orange;font-weight:bold">주의 v1m2에서만 사용 가능. Lovasz는 IoU를 직접 최적화해 작은 클래스에 유리. class weight를 넣으려면 CrossEntropyLoss에 `weight=` 추가. loss_weight로 비율 조정
`freeze_backbone`	(없음)	False	True면 backbone 고정, head만 학습. 사전 학습 backbone 선형 평가용

offset 회귀 loss(bias_l1, bias_cosine)는 두 버전 모두 코드 고정으로 동일하다.

12.2 Backbone (PT-v3m1)

파라미터	기본값	설명	수정 가이드
`in_channels`	6	입력 feature 차원	SpUNet과 동일 규칙. feat_keys와 연동
`order`	("z", "z-trans", "hilbert", "hilbert-trans")	점 직렬화 공간 채움 곡선 종류	그대로. 줄이면 속도 증가, 정확도 소폭 감소
`stride`	(2, 2, 2, 2)	각 인코더 단계의 다운샘플 배율	그대로
`enc_depths`	(2, 2, 2, 6, 2)	인코더 5단계의 block 수	모델 용량. 늘리면 메모리/시간 증가
`enc_channels`	(32, 64, 128, 256, 512)	인코더 채널	작은 객체에는 얕은 단계(32, 64) 채널 확대가 효과적
`enc_num_head`	(2, 4, 8, 16, 32)	인코더 attention head 수	채널 / head = 16 유지
`enc_patch_size`	1024 × 5	직렬화 attention의 패치(윈도우) 크기	작은 scene이면 512로 줄여도 됨. 메모리에 직접 영향
`dec_depths`	(2, 2, 2, 2)	디코더 4단계 block 수	그대로
`dec_channels`	(64, 64, 128, 256)	디코더 채널. `[0]`이 최종 출력	<span style="color:red;font-weight:bold">위험 `dec_channels[0]` = `backbone_out_channels`
`dec_num_head`	(4, 4, 8, 16)	디코더 head 수	채널 / head = 16 유지
`dec_patch_size`	1024 × 4	디코더 패치 크기	enc와 동일하게
`mlp_ratio`	4	FFN 확장 비율	그대로
`qkv_bias`	True	QKV projection bias	그대로
`qk_scale`	None	attention scale. None이면 1/√d	그대로
`attn_drop` / `proj_drop`	0.0	attention / projection dropout	과적합 시 0.1
`drop_path`	0.3	stochastic depth 비율	<span style="color:orange;font-weight:bold">주의 데이터가 적으면 0.3 유지, 많으면 0.1~0.2. 과소적합이면 낮춤
`shuffle_orders`	True	매 forward마다 직렬화 순서를 섞음 (augmentation 효과)	그대로
`pre_norm`	True	Pre-LayerNorm 구조	그대로
`enable_rpe`	False	상대 위치 인코딩	정확도 소폭 상승, 속도 저하. flash attention과 동시 사용 불가
`enable_flash`	True	FlashAttention 사용	<span style="color:orange;font-weight:bold">주의 flash-attn 미설치 GPU면 False. False면 `upcast_*`가 의미를 가짐
`upcast_attention` / `upcast_softmax`	False	attention을 fp32로 계산	flash 비활성 + AMP에서 NaN이면 True
`enc_mode`	False	True면 인코더만 (분류용)	segmentation은 False
`pdnorm_*`	bn/ln False, decouple True, adaptive False, affine True	다중 데이터셋 조건부 정규화(PPT) 설정	단일 데이터셋이면 전부 기본값 유지. `pdnorm_conditions`는 무시됨

12.3 Optimizer / Scheduler

파라미터	SpUNet	PTv3	설명 / 가이드
`optimizer`	SGD, lr 0.1, wd 1e-4	AdamW, lr 0.006, wd 0.05	<span style="color:red;font-weight:bold">위험 Transformer는 SGD로 잘 수렴하지 않음. PTv3는 반드시 AdamW
`scheduler`	PolyLR	OneCycleLR	warmup(pct_start 5%) 후 cosine 감소. max_lr은 param group별 리스트
`scheduler.max_lr`	-	[0.006, 0.0006]	[기본 그룹, block 그룹]. `param_dicts`와 순서 대응
`scheduler.pct_start`	-	0.05	전체 step 중 warmup 비율
`scheduler.anneal_strategy`	-	"cos"	warmup 이후 감소 곡선
`scheduler.div_factor`	-	10.0	시작 lr = max_lr / 10
`scheduler.final_div_factor`	-	1000.0	최종 lr = 시작 lr / 1000
`param_dicts`	None	[dict(keyword="block", lr=0.0006)]	<span style="color:orange;font-weight:bold">주의 attention block은 lr을 1/10로. 사전 학습 backbone fine-tune 시 표준 설정

12.4 Train transform 차이

Transform	SpUNet	PTv3	비고
`RandomDropout.dropout_application_ratio`	0.5	0.2	PTv3 쪽이 dropout을 덜 적용. 작은 객체에는 PTv3 값이 유리
`ChromaticTranslation.ratio`	0.1	0.05	색상 오프셋이 절반
`SphereCrop`	\| point_max=204800	<span style="color:orange;font-weight:bold">주의 비율 crop이 아니라 점 수 상한. scene이 204800점 이하면 crop이 전혀 일어나지 않아 작은 객체가 잘리지 않음
GridSample 뒤 `CenterShift(apply_z=False)`	없음	있음	PTv3는 좌표를 위치 인코딩에 쓰므로 복셀화 후 재중심 필요

12.5 요약

동일: cluster_thresh, cluster_closed_points, cluster_min_points, cluster_propose_points, voxel_size, segment_ignore_index, GridSample 0.02, evaluator min_region_sizes 100
다름: backbone 전체, backbone_out_channels(96→64), criteria(CE→CE+Lovasz), optimizer(SGD→AdamW), scheduler(PolyLR→OneCycleLR), param_dicts, SphereCrop 방식, 일부 augmentation 강도
작은 객체 관점에서 PTv3 config는 SphereCrop이 비율 방식이 아니고 dropout 적용 확률이 낮아 SpUNet config보다 덜 공격적이다. 단, 클러스터링 단계의 크기 필터는 완전히 동일하므로 backbone을 바꿔도 11절의 필터 완화는 그대로 필요하다.