Fix bbox offset

docs/local_feature_baseline.md

@@ -49,7 +49,7 @@ LOCAL_ARGS=(
   --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
-  --box-kind face --box-coordinate-space camera
+  --box-kind face --box-coordinate-space encoded
 )
 
 # 不加载模型；输出四张带框图片，请先检查框是否真在人脸上。
@@ -62,11 +62,22 @@ python extract_turn_local_features.py "${LOCAL_ARGS[@]}" \
 ```
 
 EasyCom face 标注首帧是 1，head 首帧是 0；按**原始解码帧号**取框。
-视频裁去左侧身份 banner，保留右侧 1920 像素；默认框坐标属于裁后的相机图像。
-如果你的导出文件的框坐标含 banner，需要改成 `--box-coordinate-space encoded`。
-必须通过 preview 检查这个约定，不能只看最终特征维度。
+视频裁去左侧身份 banner，保留右侧 1920 像素；这份 EasyCom 标注的框坐标包含 banner。
+EasyCom 默认使用 `encoded`，先减去当前源视频的裁剪起点，再裁框：
+`x_camera = x_annotation - (source_width - 1920)`。例如已核对的 Session_4 原视频宽度
+为 2124，应减去 204；不同视频可能不同，不能统一硬编码。y 也按实际裁剪起点转换。
+`camera` 仅用于已经手动换算到裁后图像的标注；Ego4D 无此 banner 裁剪，默认仍为 `camera`。
+之前示例中的 `camera` 参数会导致这份原始 EasyCom 标注统一右偏，现已更正。
+若当前 shell 的 `LOCAL_ARGS` 还含旧参数，请修改它，或将 `--box-coordinate-space encoded`
+放在 `"${LOCAL_ARGS[@]}"` **后面**覆盖旧值。仅更新代码不会覆盖显式传入的旧参数。
+预览会打印 source/cropped 尺寸与实际扣除偏移，同时在预览目录生成 `boxes.json`，
+记录原框、裁后框与源帧号。必须检查框确实落在人脸上，不能只看最终特征维度。
 官方帧号与 banner 说明见 [EasyCom 数据说明](https://github.com/facebookresearch/EasyComDataset#notes-and-known-issues)。
 
+若已经用错误坐标提取局部视觉特征，必须重新从图像提取，不能靠修改 `.pt` 中的框坐标修复。
+推荐输出到新目录（例如 `local_qwen_1s_encoded`），并把训练的 `LOCAL_ROOT` 指向新目录。
+原全局 Omni 特征和 baseline 无需重算；旧局部 V/AV 训练结果不可与修正后的特征混用。
+
 ```bash
 python - <<'PY'
 import torch