实测 · 2026-09-03 夜 · 2026-09-04 补全片回合数与产品化后数字
看人数拍·首夜实测
昨天的调研说"改看人为主、听声为辅"。今晚用两条真实业余单打视频、人工打的金标，把现行声音法和看人法放在同一把尺子上量了一次。这页是第一版数字，全片回合数对比已在次日早补上（03b 节）。
结论
- 角落机位的嘈杂素材上，看人法明显赢过声音法。拍数综合分 74 对 47（满分 100），而且 94% 的拍能说对是谁打的。现行声音法在这条素材上漏掉一半以上的拍。
- 正后方的安静素材上，两者打平，都在 60 多分。声音法查准很高但查全只有一半（轻球听不到）；看人法查全高但查准低，尤其是网前半秒一拍的快速对拉，规则法数不清。
- 两个没预料到的坑：B 站那条视频的声音比画面晚 0.3 秒，不先校正偏移，声音法的拍数和边界全错；角落机位上对手和长凳观众在画面里重叠，三分之一的时间跟错人或跟丢。
- 纯规则法的天花板大约就是 70 分。要到 90 分得训练一个"这是不是一拍"的小分类器。今晚打的金标（47 拍确定 + 18 拍存疑）就是训练数据的起点。
01素材与机位
本机现成素材里没有"正后方居中架高"的理想机位，选了最接近的两条。9 月 2 日拆解用的那条 B 站视频，看原图才发现其实是后方角落斜拍，正好是最初问的那种难机位；YouTube 那条是正后方略偏右、略架高、60 帧，是手头最容易的素材。
02金标怎么打的
没有公开的业余逐拍标注，所以自己标。工具是"连续逐帧条"：每 0.1 秒一格，近端球员一行、远端球员一行，从每个球员自己的裁剪框里看挥拍动作，逐拍记下时刻和是谁打的。快速网前对拉处两拍只隔半秒，人眼也只能定到正负 0.2 秒，这些拍标为"存疑"，评分时不奖不罚。
| 素材 | 标注窗口 | 回合 | 确定的拍 | 存疑的拍 | 备注 |
|---|---|---|---|---|---|
| B 站 · 角落 | 40～66 秒、70～76 秒 | 3 | 22 | 3 | 76 秒后远端大段跟丢，没往后标 |
| YouTube · 正后方 | 0～46 秒 | 4（首尾两个不完整） | 25 | 15 | 一个 17 拍的网前快速回合，存疑拍集中在这里 |
03数字
评分口径：预测的拍落在金标拍前后 0.35 秒内算对。查准 = 报出来的拍里有多少是真的；查全 = 真的拍里有多少被报出来；综合分是两者的调和平均，满分 100。"谁打的"只对看人法有意义。
B 站素材（后方角落，嘈杂，多人轮换）
| 方法 | 查准 | 查全 | 综合分 | 谁打的 | 回合数（金标 3） | 每回合拍数（金标 10 / 7 / 8） |
|---|---|---|---|---|---|---|
| 现行声音法（全片固定门槛） | 56 | 41 | 47 | — | 4（切碎了一个） | 6 / 3 / 4 |
| 声音法 + 音画偏移校正 | 80 | 55 | 65 | — | 4 | 7 / 3 / 3 |
| 看人：持拍手臂动作峰值 + 交替 + 配对规则 | 76 | 73 | 74 | 15 / 16 | 3 | 8 / 5 / 8 |
| 看人 + 声音确认 | 76 | 73 | 74 | 13 / 16 | 3 | 8 / 5 / 8 |
YouTube 素材（正后方，安静，60 帧）
| 方法 | 查准 | 查全 | 综合分 | 谁打的 | 每回合拍数（金标 10 / 17 / 6 / 4） |
|---|---|---|---|---|---|
| 现行声音法 | 92 | 48 | 63 | — | 4 / 7 / 4 / 1 |
| 看人：持拍手臂动作峰值 + 规则 | 55 | 68 | 61 | 14 / 17 | 11 / 6 / 5 / 5 |
| 看人 + 声音确认 | 65 | 68 | 67 | 13 / 17 | 11 / 6 / 5 / 5 |
怎么读这两张表：角落素材上看人法比声音法高 27 分，和昨天调研里"画面校验能提 15～30 分"的文献数字吻合。正后方素材上没拉开，问题出在那个 17 拍的快速回合：规则法只数出 6 拍。这说明看人法的短板不是机位，是"半秒一拍的网前对拉"，需要更聪明的判据而不是更好的素材。
03b全片回合数（次日早补）
YouTube 那条 7 分 20 秒的全片姿态跑完了。参照是我从每秒一帧的缩略图人工数出的回合，边界只能定到正负 2 秒，31 个里有 25 个有把握、6 个拿不准（可能是 0 个也可能是 2 个）。
| 方法 | 数出的回合 | 对上人工的 | 其中有把握的 | 多出来的 | 漏掉的 | 全片拍数 |
|---|---|---|---|---|---|---|
| 人工参照 | 31 | — | 25 | — | — | — |
| 现行声音法 | 19 | 19 / 31 | 14 / 25 | 0 | 12 | 148 声 |
| 看人法（规则版） | 37 | 27 / 31 | 22 / 25 | 10 | 4 | 297 拍（近 165 / 远 132） |
怎么读：看人法找回合的查全率 87%，声音法 61%，漏掉的 12 个回合里 11 个是有把握的真回合。看人法的毛病在另一头：多出来的 10 个里，大多是把一个长回合切成两三段、或者把捡球时的挥拍当成了小回合。这正是卡里"回合结束判据"要治的（两人停下或出现捡球姿势才算结束，不只看拍与拍的间隔）。声音法的"对上 19 个"有水分：它把 6 秒内的响声合成一串，相邻回合常被合并，一段合并区间只算对上一个。
03c产品化后的数字（R3 验收，2026-09-04）
Codex 已把这套方法接进正式流程（R1 两人身份与挥拍候选，R2 管线接线）。下面是用正式流程、而不是我的原型脚本，在 Mac 上跑两条整片的结果。
| 素材 | 走的路径 | 回合 | 全片拍数 | 金标窗综合分 / 谁打的 | 姿态阶段耗时 |
|---|---|---|---|---|---|
| YouTube 正后方 7 分 20 秒 | 看人法 | 32（人工 31：对上 27、多 3、漏 4） | 170（近 79 / 远 91） | 51 / 80% | 3503 秒 = 时长 8 倍 |
| B 站角落 4 分 57 秒 | 退回声音法 | 9（同旧版） | — | — | 446 秒 |
验收结论：有条件通过。接线是对的，数据契约落地，退回机制可用。但离"能上产品"还差四件事，全部写进了下一张卡（R4）：
- 太慢。看两个人挥拍这一步在 Mac 上是视频时长的 8 倍，Windows 上 35 倍，预算是 2 倍。原因是全画面找人的检测器跑得太勤、跟踪一丢就逐帧重找、而且画面里四五个人的姿态全算。修法：检测器十帧跑一次，中间只对两名球员各自的小框算姿态。
- 区域写死。默认的"球员在画面哪一带"只取了正后方素材的值，角落素材远端一个都认不出，直接退回声音法；你自己拍的超宽幅视频同样退回。修法：从已有的 2 帧/秒粗扫里自动推出两个球员的活动范围，静止的观众剔掉。
- 近端球员太容易"丢"。角落素材即便换上正确区域，近端球员也只认出三成（原型 98%）。近端球员脚被画面下沿裁掉时脚的位置会跳，现在的规则一跳就判丢。修法：近端永远选区域里最像的那个，不因跳变放弃。
- 15 帧/秒掉查全。同一段金标，产品链按 15 帧/秒算查全 40%，30 帧/秒是 56%。修法：活动窗内改 30 帧/秒，性能靠上面第一条补回来。
另有一个和本卡无关但影响体验的数字：32 个回合的集锦合成花了 3715 秒，是整条流程里最慢的一步，另立卡处理。
03dR4 之后的数字（2026-09-04 晚）
| 素材 | 走的路径 | 回合 | 全片拍数 | 金标窗综合分 / 谁打的 | 姿态阶段 |
|---|---|---|---|---|---|
| YouTube 正后方 | 看人法 | 32（人工 31：对上 28、多 2、漏 3） | 279（近 133 / 远 146） | 63 / 75% | 2502 秒 = 5.7 倍 |
| B 站角落 | 看人法（自动区域生效） | 18 | 144（近 70 / 远 74） | 38 / 67% | 1557 秒 = 5.3 倍 |
正后方一切在往上走。角落素材第一次走上看人路径，但金标窗只有 38 分，逐层查下来：姿态质量和固件一样好；候选和规则也没问题，被漏掉的那个回合在规则阶段 9 拍找到 7 拍，把同一份姿态配整片声音重跑一遍能到 71 分。丢失发生在整片运行时的身份选择环节，而且中间产物没有落盘，没法回放。身份选择有三处实锤毛病：远端锁在一个静止的观众上、近端球员被同时当成远端、开头两秒选错人。另外击球声门控在角落素材上是拖后腿的：只用规则 88 分，加了门控 77 分。这些都写进了 R5 卡。
03eR5 之后的数字（2026-09-05）
| 素材 | 回合（R4 → R5） | 金标窗综合分 / 谁打的（R4 → R5） | 判定 |
|---|---|---|---|
| YouTube 正后方 | 32 → 19（人工 31；6 个区间各吞并 2～7 个真回合） | 63 / 75% → 49 / 82% | 回退 |
| B 站角落 | 18 → 10（两段各吞并多个回合） | 38 / 67% → 61 / 91% | 拍数进步，回合合并过头 |
R5 的"身份选择三修"在角落素材上是正贡献（远端覆盖 62% 升到 76%，综合分翻了近一倍），但在正后方素材上把远端选错了 29% 的时间，开头六秒锁在一个底线外的小个子背景人物上。R5 的"回合结束判据"改成"两拍之间有人在跑就算还在打"，把回合间捡球、回位的走动都当成了还在打，两条素材的回合数都合并过头。这两条打回，写成 R7；同时第一次给"身份选择"本身做了回归固件（逐帧所有人 + 正确答案），以后这一步不能再靠整片跑完才发现。
另有一条：R5 的子计时揭穿了慢的元凶，每读一帧都先跳转再读取，Mac 实测比顺序读慢 51 倍，姿态阶段 2500 秒里约 2100 秒花在这上面。R6 卡专修这一条，顺带让战报先出、集锦在后台合成。
03fR6 之后的速度（2026-09-05）
| 正后方整片 7 分 20 秒 | R2 | R4 | R6 |
|---|---|---|---|
| "看两个人的挥拍"耗时 | 3503 秒（8.0 倍） | 2502 秒（5.7 倍） | 1197 秒（2.7 倍） |
| 其中解码 | — | 约 2100 秒 | 40 秒 |
把"每帧先跳转再读"改成顺序读，解码几乎归零，姿态阶段进了 3 倍预算。剩下的时间是检测和姿态两个模型本身，再往下要换轻量模型或放宽检测间隔，属于下一档。同时战报现在先出，集锦在后台合成，用户不再等最慢的那一步。
03gR7 之后的数字（2026-09-06 凌晨）
| 素材 | 回合（R4 → R5 → R7） | 金标窗综合分（R4 → R5 → R7） | 判定 |
|---|---|---|---|
| YouTube 正后方 | 32 → 19 → 27（人工 31，对上 29、多 0） | 63 → 49 → 49 | 回合修好，拍数未回 |
| B 站角落 | 18 → 10 → 14 | 38 → 61 → 46 | 拍数回退 |
回合边界 v2 生效：正后方从 19 回到 27，合并阶段不再丢拍。但两条素材的拍数都卡在“远端选人”上：R7 的身份回归测试用的是无状态姿态模型产生的候选人，产品里真正跑的两球员跟踪器候选集不同，测试 97.9% 通过而产品照错。R8 把测试改成用替身模型回放、走产品真实路径，第一次就抓到了根因：检测框带留白的高度（253 像素）被拿去套姿态身高上限（198），真远端球员被扔掉，背景小人反而通过。同一次也发现我做的“正确答案”固件在 7 到 14 秒标错了人（底线外旁观者），已修正。
03hR8 之后的数字（2026-09-06）
| 素材 | 回合 | 金标窗综合分 / 谁打的 | 远端覆盖 | 姿态阶段 | 判定 |
|---|---|---|---|---|---|
| YouTube 正后方 | 29（人工 31：对上 28、多 1） | 60 / 75% | 92% | 1208 秒，2.7 倍 | 达标 |
| B 站角落 | 15 | 30 / 100% | 76% | 812 秒，2.7 倍 | 回退 |
正后方第一次同时过了三条线：回合数贴近人工、金标窗 60 分、速度 2.7 倍。角落却掉到 30 分：41 到 48 秒远端球员明明在落盘的区域里，却一个都没选上。原因和上一轮一模一样，正后方有走产品路径的回放测试，角落没有，修一条就坏一条。R9 把角落也做成回放测试（全员固件已入库），并顺手核实了角落的"正确答案"：几秒标成远端的其实是坐着的观众，已清掉。
03i定稿数字（R9，2026-09-06 晚）
| 素材 | 回合 | 金标窗综合分 / 谁打的 | 远端覆盖 | 判定 |
|---|---|---|---|---|
| YouTube 正后方 | 29（人工 31：对上 28、多 1） | 60 / 75% | 92% | 达标 |
| B 站角落 | 14（丢失的回合已找回） | 65 / 92% | 91% | 达标，历史最高 |
两条素材第一次同时过线。从 9 月 3 日夜的原型（角落 74 分对声音 47 分，只在 36 秒的窗口上）到今天，产品链跑完整片：回合数贴近人工、每一拍带"谁打的"、远端球员九成时间跟得住、速度进了 3 倍预算。这个版本可以替换现行的击球声计数。
还没做完的：角落素材的回合仍有合并过头（缺人工参照，待标注）；集锦合成阶段的球标注子进程在 Mac 上会挂死，与本线无关，另立卡；速度再往下要换轻量模型。另有一个环境教训：Mac 的"文稿"文件夹走 iCloud 且磁盘将满，系统会把仓库里的视频甚至源码悄悄云端化，程序一读就假死，今天下午的三次"挂死"全是它。
04过程中发现的事
- 音画不同步。B 站视频的击球声比画面里的挥拍晚约 0.3 秒（互相关估计 +0.30 秒，逐帧目检一致）；YouTube 那条基本对齐。产品里用声音定任何时刻之前，必须先用画面动作估一次偏移，估不稳就按零处理。
- 角落机位的对手身份。对手和坐着的观众在画面里同一片区域，衣服颜色还相近。加了"坐着的人不算球员"（大腿和躯干的比例）和位置连续性两条规则后，远端跟踪率仍只有 64%；正后方素材是 93%。这是角落机位独有的难题。
- 全片固定门槛的声音法会被片头带偏。B 站视频前 30 秒是另一段更响的剪辑，全片 99 分位门槛被它抬高，后面每 30 秒只剩 4～10 个击球声。换成滑动窗口的相对门槛后每 30 秒稳定在 25～35 个。
- 误报来源都是"有挥拍动作但没击球"：发球前的举拍、捡球时用拍子挑球、走动时的甩臂。交替和配对规则挡掉一部分，剩下的靠规则挡不住。
- 漏报集中在远端球员：人小、关键点抖、深蹲和跳杀时被"坐姿"规则误伤过一轮，放宽后仍是主要漏源。
05下一步
- 已补：全片回合数三方对比见 03b 节。看人法查全 87% 对声音法 61%，短板是切碎与捡球误报。
- 接进产品（一周内，可发卡给 Codex）：用"看人 + 声音确认 + 交替/配对规则"替换现行回合切分；加音画偏移估计；远端身份用"运动 + 非坐姿 + 连续性"；回合结束改判"两人停下或出现捡球姿势"。预期把角落素材从 47 分提到 70 分上下。
- 冲 90 分的路：用今晚的连续条工具再标 200 个回合，训一个"这段骨架动作是不是一拍"的小分类器。快速对拉和"有挥拍无击球"两类错误都得靠它。
脚本和金标都在本机会话目录里（姿态提取、两人身份选择、信号计算、金标连续条、评估各一个脚本），产品化时整体搬进仓库。
2026-09-03 夜 · 本页数字来自两段各 45～60 秒的标注窗口，样本小，只能看方向不能看小数点；金标由一人目检，快速对拉处有 ±0.2 秒不确定。