icassp2027-experiment/docs/ego4d_local_baselines.md

Ego4D：近期音频／逐人视觉增强的四组对照

目标是检验 EasyCom 上的局部特征收益能否迁移到 Ego4D，而不是预先承诺提分。 保留现有 Ego4D 全局 Omni 特征 G、EgoSpeak manifest 和 target；不重提 Thinker， 不重新编码视频，不重划 train/test。新增的两路侧路特征一次提取、三组复用：

实验名	输入	回答的问题
baseline	G	同训练配置下的基准
audio	G + A	最近 1s 音频是否补回全局 readout 丢失的信息？
visual	G + V	人物局部视觉是否有效？
av	G + A + V	在音频增强之外，视觉是否仍有增益？重点比较 AV − A

audio 不是纯音频模型；四组都包含 G。A 是同一 clip 的视频音轨， 16kHz mono 后按 [max(0,t-1),t) 切窗，每 200ms 用冻结 Qwen audio encoder 重编码。 V 在原视频的固定 2FPS 网格读取可见人物框，冻结 Qwen vision encoder 后依次做 空间、逐人、最近 1s 有效帧的均值池化。Qwen 3B 的 A/V 均保存原生 2048D； 训练时各投影到 256D，融合后沿用现有预测 head。无有效框时 V=0 且 validity=False， 不能拿缺框当损坏样本直接删掉，否则四组测试样本不一致。

默认统一 4 epochs、无 dev、LSTR-MCE、无 transition auxiliary；batch=512、 lr=7e-5、weight_decay=5e-5、warmup=1.6 epochs、warmup_factor=0.3、dropout=0.2。 训练只取 manifest 的 train，评测只取 test。现有正式 manifest 应显示 346 train / 87 test； 程序读取该文件，不会自行随机拆分。预检 test 只检查输入完整性，不计算指标或选模型。

1. 设置远程路径

在 /data/wangx/Code/icassp2027-experiment 的 Bash 中执行。只需把 FEATURE_ROOT 改成实际已提完的 Ego4D 全局特征目录；不能误用 EasyCom 的 Session 文件。 建议本轮固定已有 8s 全局特征，四组不要混用不同 context、层数或 checkpoint。

cd /data/wangx/Code/icassp2027-experiment
export CUDA_VISIBLE_DEVICES=0
export OMP_NUM_THREADS=4 MKL_NUM_THREADS=4 OPENBLAS_NUM_THREADS=4

DATA_ROOT=/data/wangx/Datasets/ego4d
MODEL=/data/wangx/Models/Qwen2.5-Omni-3B
FEATURE_ROOT=/替换为实际的/Ego4D全局特征目录
TARGET_ROOT="${DATA_ROOT}/ego4d_target_frame"
MANIFEST="${DATA_ROOT}/ego4d_egospeak.tsv"
LOCAL_ROOT="${DATA_ROOT}/omni_features/local_qwen_1s"

LOCAL_ARGS=(
  --dataset ego4d --data-root "$DATA_ROOT" --manifest "$MANIFEST"
  --feature-root "$FEATURE_ROOT" --target-root "$TARGET_ROOT"
  --model-id "$MODEL" --device cuda:0 --dtype bfloat16 --flash-attention-2
  --video-fps 2 --visual-window-seconds 1 --audio-window-seconds 1
)

原始输入应存在：v1/clips/<uid>.mp4、v1/annotations/av_train.json 和 av_val.json。 全局特征既支持 <feature-root>/<uid>.pt，也直接支持原批量提取器的 <feature-root>/train/<uid>.pt、<feature-root>/test/<uid>.pt；无需复制或建立软链接。 提取、训练、推理使用同一个路径解析器；同一 UID 在这几个位置存在多份文件会报错，避免误读旧特征。 这里 av_val.json 是原 AVD 标注的文件名，不意味着把它直接当作本实验的 test 划分； train/test 始终按 EgoSpeak manifest。非标准导出路径可加 --ego4d-annotations <path1> <path2>。 局部编码器支持现有 Transformers 4.57.6，也支持 4.52.3；同一次实验所有 clips 应统一版本。

2. 先检查一条，再做 4s smoke

# 检查文件、全局时间网格和 target 长度；不加载模型，不解码，不写输出。
python extract_turn_local_features.py "${LOCAL_ARGS[@]}" \
  --limit 1 --dry-run --output-root "$LOCAL_ROOT"

# 不加载模型，写带框预览；确认框落在人脸上、clip-local 帧号正确。
python extract_turn_local_features.py "${LOCAL_ARGS[@]}" \
  --limit 1 --max-steps 20 --preview-only \
  --output-root features/ego4d_local_preview

# 同时提取 V 和 A；无需另跑音频脚本。
python extract_turn_local_features.py "${LOCAL_ARGS[@]}" \
  --limit 1 --max-steps 20 \
  --output-root features/ego4d_local_smoke

预览位于 features/ego4d_local_preview/<uid>_preview/，包含图片与 boxes.json。 最好再用 --split test --limit 1 检查一条 test clip；--dry-run 不能替代像素与框检查。 4s smoke 应得到 V/A 各 [20,2048]、partial=True；此目录不能用于正式训练。 V-valid 不必是 100%，Ego4D 有无可见人物和缺框的时刻；若有明显人物却长期无有效框，先停下来检查标注。

前 4s 没有人物：增加预览范围和数量

旧预览固定最多 4 张；--max-steps 20 又把范围限制到前 4s。 现在可指定数量和时间范围，并仅从有有效人物框的网格帧中均匀抽样：

# 前三条 clip：在整条 clip 中各取最多 40 张有效带框图片。
# 不要再带 --max-steps 20；不传 preview-end 就使用完整可用时间范围。
python extract_turn_local_features.py "${LOCAL_ARGS[@]}" \
  --limit 3 --preview-only --preview-count 40 --preview-with-boxes \
  --output-root features/ego4d_local_preview_people

# 也可聚焦第一条 clip 的 30–120s；实际不足 120s 时截到 clip 结束。
python extract_turn_local_features.py "${LOCAL_ARGS[@]}" \
  --limit 1 --preview-only --preview-count 60 \
  --preview-start 30 --preview-end 120 --preview-with-boxes \
  --output-root features/ego4d_local_preview_30_120s

每张图标注时间、源帧号和有效人数；preview.json 记录候选帧数、有效帧数、实际输出数， boxes.json 记录当前这次输出的图片和框。无有效框时明确报告 0 张，可换片段或核对帧号对齐， 不会伪造框或强行当作成功。--preview-with-boxes 只筛选预览，不删除特征提取或评测中的无框帧。 默认仍最多 4 张。改变范围时建议换输出目录；旧 JPG 不会自动删除，以当前 JSON 清单为准。

3. 提取完整 manifest：前台、模型只加载一次

python extract_turn_local_features.py "${LOCAL_ARGS[@]}" \
  --reuse-existing --output-root "$LOCAL_ROOT"

前台显示 clip 编号、视觉 frame 进度和音频 state 进度。中断后可重跑同一命令： 只复用完整且样本、时间、特征维度、版本及提取配置一致的 .pt；部分或不兼容文件会报错。 输出原子替换，失败的临时文件不会被当作成功样本。不要用 --overwrite 当作“继续”。 checkpoint 的 ID 是用户声明，不是权重文件校验和：不要在同一个 ID/路径下替换权重再复用旧特征。

可用 --split train|test、--start-index N --end-index M 或 --limit N 选择子集。 索引是先按 split 过滤，再按 manifest 顺序的 1-based 闭区间；不传 split 时保留整个文件的行顺序。 如果自行在多卡不同终端运行，必须选择互不重叠的区间和同一套编码器配置；默认不启动后台任务。

L20 机器：8 卡并行提取，不使用软链接

下面使用已经检查过框的原始视频，以及原 8s 全局特征目录。不要再传旧的占位符 LOCAL_ARGS， 不要带 --preview-only、--preview-with-boxes 或 --max-steps。新入口会自动添加校验后续跑。

cd /data1/yfzx/wangx/Code/icassp2027-experiment

MULTIGPU_ARGS=(
  --gpus 0 1 2 3 4 5 6 7
  --cpu-threads 4
  --data-root /data1/yfzx/wangx/Datasets/ego4d
  --manifest /data1/yfzx/wangx/Datasets/ego4d/ego4d_egospeak.tsv
  --feature-root /data1/yfzx/wangx/Datasets/ego4d/omni_features/open_stream_2fps_8s_decord
  --target-root /data1/yfzx/wangx/Datasets/ego4d/ego4d_target_frame
  --output-root /data1/yfzx/wangx/Datasets/ego4d/omni_features/local_qwen_1s
  --model-id /data1/yfzx/wangx/Models/Qwen2.5-Omni-3B
  --dtype bfloat16 --flash-attention-2
  --video-fps 2 --visual-window-seconds 1 --audio-window-seconds 1
  --decoder-backend decord --decoder-threads 1
  --log-root logs/ego4d_local_8gpu
)

# 只检查路径和分片，不加载 Qwen、启动 GPU 任务或写日志。
python extract_ego4d_local_multigpu.py "${MULTIGPU_ARGS[@]}" --dry-run

# 确认分片和路径后，前台管理 8 个独立 worker。
python extract_ego4d_local_multigpu.py "${MULTIGPU_ARGS[@]}"

默认 433 clips 分配为 55/54/54/54/54/54/54/54，按 manifest 顺序轮转，每个 UID 只属于一个 worker。 每个 worker 用 CUDA_VISIBLE_DEVICES=<指定卡号> 隔离到一张卡，内部 --device cuda:0； 会覆盖父 shell 遗留的 GPU mask。GPU 编号必须是当前容器暴露的卡，而不是另一个容器的编号。 这不是 DDP；每张卡独立处理 clips，不需要 GPU 间同步。全量数据默认每个 worker 至多加载一次编码器。 如使用 --limit，少于 GPU 数量时只启动有任务的卡。

主进程打印每卡状态，详细的逐帧/逐 state 进度位于启动时打印的 logs/ego4d_local_8gpu/<时间_PID>/gpu0.log 至 gpu7.log。每次运行另建日志目录，不覆盖旧日志； 同目录的 launch_plan.json 保存每卡 UID 和命令。可在另一个终端查看指定卡：

tail -f logs/ego4d_local_8gpu/<本次时间_PID>/gpu0.log

不用 nohup 或 shell 的 &，主命令会一直等待；Ctrl+C 或一个 worker 失败时，会停止本次启动的其他 worker 及其进程组，不杀无关训练。已完成的 .pt 保留，重跑同一命令会校验后跳过； 失败时先读对应日志。不要同时另开同输出根的重复提取任务。

最终输出是实体文件 local_qwen_1s/<uid>.pt，每个文件同时含 A/V，不需要第二个音频任务。 无框帧仍保留在 5Hz 特征/标签网格中，不能按预览筛选删除。 8 workers 也会增加 CPU、主机 RAM、磁盘 I/O 和标注 JSON 的解析开销；不要预设能达到 8 倍速度。 主机内存不足时改为 --gpus 0 1 2 3 并重跑，完成的文件仍可复用；不同次分片也不会改写已完成特征。

提取完成后，原训练入口也直接用同一个原始全局特征根，无需 flat 索引：

CUDA_VISIBLE_DEVICES=0 OMP_NUM_THREADS=4 MKL_NUM_THREADS=4 OPENBLAS_NUM_THREADS=4 \
python run_ego4d_local_baselines.py \
  --data-root /data1/yfzx/wangx/Datasets/ego4d \
  --feature-root /data1/yfzx/wangx/Datasets/ego4d/omni_features/open_stream_2fps_8s_decord \
  --local-feature-root /data1/yfzx/wangx/Datasets/ego4d/omni_features/local_qwen_1s \
  --seeds 0 --dry-run

4. 跑 seed0 四组

EXP_ARGS=(
  --data-root "$DATA_ROOT" --manifest "$MANIFEST"
  --feature-root "$FEATURE_ROOT" --target-root "$TARGET_ROOT"
  --local-feature-root "$LOCAL_ROOT"
  --checkpoint-root checkpoints/ego4d_local_b1
  --result-root results/ego4d_local_b1
)

# 逐 clip 校验全部 train/test 输入、局部配置，打印命令但不训练。
python run_ego4d_local_baselines.py "${EXP_ARGS[@]}" --seeds 0 --dry-run

# 前台顺序训练/评测 baseline、audio、visual、av，并自动汇总。
python run_ego4d_local_baselines.py "${EXP_ARGS[@]}" --seeds 0

# 补同设置 seed1/2，不覆盖 seed0。
python run_ego4d_local_baselines.py "${EXP_ARGS[@]}" --seeds 1 2

自动检测 G：[T,L,D] 使用 concat-MLP，[T,D] 使用原单层 head；不要求为 last4 重提全局特征。 如果原 stacked baseline 使用 fixed-mean，可在四组统一加 --layer-fusion fixed-mean。 不要拿不同 epoch/layer-fusion 的旧 baseline 直接计算新增分支的增量。

预检不会一次把 433 条全局特征全部装进 RAM；实际训练仍沿用原训练器，会加载整个 train split。 last4 特征可能需要数十 GB 主机内存。多卡并行 head 训练也会复制主机内存，不是只看 GPU 是否空闲。

若只跑一组，增加 --variants audio；若某一组训练中断，默认拒绝覆盖现有 checkpoint/result。 可先运行剩余组合，例如 --variants visual av --seeds 0，或为重跑选择新的输出根。 baseline 单独运行不要求局部特征；整个四组 family 会在任何训练前检查所有必要局部特征。

5. 打印结果

python summarize_local_baselines.py \
  --root results/ego4d_local_b1 --dataset ego4d \
  --protocol causal_valid_only --paired-deltas

# 对齐 EgoSpeak 的 full-timeline 表格时，单独报告这个协议。
python summarize_local_baselines.py \
  --root results/ego4d_local_b1 --dataset ego4d \
  --protocol egospeak_full_timeline --paired-deltas

表格给出每个 seed、均值与 sample std，以及匹配 seed 的 A−G、V−G、AV−G、AV−A。 不要混用两个评测协议。优先看 10-horizon mean mAP、wearer AP 和 AV−A， 不要只凭单 seed 的 0.2s mAP 宣称跨数据集提升。

论文可解释的范围

这轮回答“在冻结的全局 Omni readout 上加入近期编码器特征是否有用”，不是 Qwen 对 wav2vec 的受控替换实验，也不是逐人音视频对齐模型。使用提供的人物 tracks，忽略 wearer 框、讲话区间和 说话人标签；缺框不向未来插值。但提供框本身不是在线检测，不能据此声称端到端在线视觉系统。 新增分支带来额外参数，若收益稳定，再补参数量匹配的全局 head 控制。

本轮不改变已有的音频重采样、标签索引和 horizon 定义。5Hz 是输出网格； 不等于视觉获得 5FPS 唇动信息，也不等于已完成原始波形层面的端到端因果审计。 如后续修正物理时间协议，必须在所有对照组统一修正并重新跑，不能只改增强组。

回归测试

python -m unittest -q test_easycom_head_objectives test_local_turn_features test_ego4d_local_workflow test_ego4d_local_multigpu

CPU 回归包括 manifest 顺序/防交叉重复、完整批量提取的模型复用、断点文件校验、 单层/多层全局特征、测试集输入预检，以及合成 Ego4D 上四组各 4 epochs 的训练/推理与增量汇总。 另测试原 train/test 目录、433 clips 的 8 卡完整互斥分片、GPU mask、独立日志、失败/中断时清理自有进程。 真实 Ego4D 像素、提供框和 3B/L20 提取仍需按上面的 preview/smoke 步骤验证。