ods_embodiment · single sample viewer
这是从 jd_data:ods-scrape/ods/ods_embodiment 抽的一条样本
分镜切片 Knb_QOXE8mw_seg0012_scene_0049.mp4（11.07 s / 1280×720 / 2.59 MiB），
同源目录下带一份逐帧手部关键点 + 三任务模型标注的 XML。视频与标注都已完整落到本地，页面纯静态、不依赖外网。
is_first_person = True
has_hand = true
111 帧关键点 @10 Hz
21 点/手 · 双手
ASR 无此字段
2,717,758 B
手部关键点时间轴 · 每 0.1 s 一个采样
Left
Right
条高 = 该帧手部检测置信度；点击任意位置跳转。
| 帧 idx | time_sec | Left score | Right score | 检出 |
|---|
当前帧 21 点坐标 · 随播放刷新
kpt id / x / y / score · t = 0.00 s| kpt id | Left x | Left y | Left score | Right x | Right y | Right score |
|---|
ASR 逐句时间戳
如实记录：不存在
这条数据没有 ASR，也没有任何字幕/转写时间戳。
- 本条 XML 的元素只有 8 类：scene / source_video / file / abs_path / model_annotation / is_first_person / first_person_reason / hand_action_description（外加 hand_keypoints），没有 asr 节点。
- 同分区 20260709/00/ 只有 annotations/ 与 scene_split/，没有字幕文件或 ASR jsonl。
- 分区根目录只有两份清单：sp_pov_yt_..._result.jsonl（源视频元数据）和 vid_xml_paths_ALL.txt（路径清单）。
- 因此本页无法给出「句子 → start/end」的列表；上面的手部关键点时间轴是采样帧，语义不同，不要混用。
注：hand_keypoints 只给了 21 个点的坐标与置信度，
没有给点之间的拓扑/骨骼定义。因此视频上默认只画点；
「推断连线」只是按 kpt id 连续 4 点成链的猜测，用来看形状，不代表官方骨架。
原始 XML 字段结构
raw/*.xml 实测计数annotation
├─ scene ×1 index / parent_segment / start / end / duration / has_hand
├─ source_video ×1 stem / path（源 mp4 的流水线路径）
├─ file ×1 分镜相对路径
├─ abs_path ×1 分镜绝对路径
├─ model_annotation ×1
│ ├─ is_first_person 'True' | 'False'（字符串）
│ ├─ first_person_reason 自然语言理由
│ ├─ hand_action_description 一句话手部动作
│ ├─ processing_time_s 6.04
│ └─ raw_output 三任务原文 [TASK1 HOI][TASK2 FIRST_PERSON][TASK3 HAND_ACTION]
└─ hand_keypoints ×1 fps=29.970 / sample_fps=10.000 / total_frames=111
└─ frame ×111 idx / time_sec
└─ hand ×222 label=Left|Right / score
└─ kpt ×4662 id=0..20 / x / y / score（1280×720 像素坐标）
这条样本能证明什么
- ods_embodiment 这条链路确实是「长视频 → 分镜切片 → 逐切片三任务模型标注」的产物：scene index=49 落在源视频 265.332–276.376 s，切片时长与 XML 声明一致（11.07 s）。
- 切片可正常解码：h264 / 1280×720 / 29.97 fps / 331 帧，本地 md5 与远端 rclone md5sum 完全一致。
- 每个切片都带逐帧手部关键点（10 Hz 抽样、双手各 21 点、含像素坐标与置信度），可直接叠到视频上核对。
- 模型判定这条是 first-person（俯拍工作台、只见双手做穿珠子），并给出可复核的理由文本。
这条样本不能证明什么
- 不能证明是自采第一人称数据：源是 YouTube 公开视频（教程类检索抓取），不是头戴设备采集，标注自己也写作 “near first-person / 俯拍视角”。
- 不能证明关键点带拓扑：XML 只给 21 个点，没有骨骼连接定义，页面上的连线是推断。
- 不能证明 ASR 能力：整个分区没有语音转写产物，一条反例也不能外推到别的分区。
- 不能证明模型标注是人工校验过的：model_annotation 是模型输出，processing_time_s 也只有推理耗时，没有人工复核痕迹。
- 不能证明覆盖度：这是 20260709/00 里 7024 个 1–8 MB 切片中的一个，抽样一条不代表分布。
数据只读抽取自内网对象存储 · 视频 2,717,758 B · md5 dd3066bbe068f7925578cc9b2d1e7523 · 页面无任何外部依赖