前三篇，我们把难题拆开、把数据底座亮出来、把四个解法（BoxLock / Z-score 出拳 / ReID 指纹 / TRT+WSL2）逐一讲清。
这一篇回答最关键、也最容易被营销话术糊弄的问题：
我们的答案不包装，直接钉死在实测指标上。
0. 先摆结论，免得你被标题党带偏
一句话：这是业余拳击量化评估的「可用基线」，不是职业级精确系统。在「零穿戴 + 单目 + in-the-wild（非受控手机视频）」这个细分方向上，它是目前少见的端到端可用实现。
"可用"两个字，是认真用的，不是客气话。它意味着：你传一段手机拍的空击/对练，系统能稳定跑完、产出可复现的数字、且数字能回溯到具体帧。它不意味着：每一拳都数得准、拳种都认得清、能当裁判判分。
下面所有的指标，都在划这条"可用"的边界。
1. 工程指标：生产环境实测，没有理想值
先列硬数字。这些都是真跑出来的，不是论文里的理想峰值。
| 项 | 实测值 | 说明 |
|---|---|---|
| TRT 三模型推理 | 26.6ms/帧 ≈ 37 FPS | vs torch fp32 69ms，推理层提速 2.6x |
| duo 全链路（1080×1920 竖屏） | 12.8 FPS | GPU，追踪优化后；瓶颈在追踪/后处理，不在推理 |
| 真实素材（潘豪VS文达） | 10765 帧 / 14 分钟 | 端到端 12.8 FPS 跑完 |
| 综合评分 | 72.5 / B | L1 80.0 / L2 63.3；7 维 90/85/55/90/60/44.9/85 |
| WSL Worker 连生产 | task=2 → 73.2 分落库 ✅ | 端到端闭环打通 |
一个必须说清的认知：单模型快 ≠ 端到端快。TRT 把三模型推理压到 37 FPS，听起来很美，但全链路（检测+追踪+后处理）只到 12.8 FPS。追踪和后处理才是真瓶颈——这是很多"模型很快"的叙事故意掩盖的真相。拳神选择把真数字亮出来，而不是只晒那张 37 FPS 的推理截图。
2. 分层能力定位：哪层能信，哪层要打问号
把系统从底层到顶层拆开，每层诚实标注当前所处的阶段：
① 检测层（person / pose / glove）——「可用」
- TRT 推理 37 FPS，关键点偏差 ~1px（vs torch fp32，属正常部署精度差）；
- 遮挡时靠手腕关键点兜底，不轻易断轨迹；
- 这一层是整套系统的地基，目前稳。
② 出拳事件层——「弱监督原型级」
- LOO F1=0.053（受数据稀缺制约）；
- 能稳定数出"出拳次数"与"节奏"，不能保证逐拳精确；
- 这是当前最大的短板，也是 2.0 升级的主战场（见后文）。
③ 拳种层——「不承诺精度」
- 稀有类（hook / swing / uppercut）留一法召回全 0；
- 只给分布（刺拳占多少、勾摆占多少），绝不写"识别率 95%"这种幻觉数字；
- 代码里就没有这个准确率指标，我们也不编一个给你安心。
④ 评分层——「可复现、可解释」
- 7 维两层全部挂靠真实聚合数字，不是黑箱吐分；
- AI 点评不写无依据的百分比，只翻译已算出的指标；
- 分数低不可怕，怕的是你连自己低在哪都不知道——雷达图哪一根短了，下周就练那一根。
3. 与学术同类工作比：精度高，但落不了地
学术界做 pose-based boxing / combat action recognition，多在受控环境：固定机位、多视角、标记手套、专业选手、已知相机参数。这种条件下精度很高，论文很好看。
但代价是：不可部署到业余 in-the-wild 场景。你不可能要求一个业余爱好者打拳时，架三台标定好的相机、戴标记手套、找专业标注者跟拍。
拳神的差异化恰恰在这里：单路手机视频 → 7 维可解释评分，在业余场景首次跑通端到端。我们不比谁的实验室精度高，我们比谁能真的在拳馆里用起来。
4. 与商业系统比：我们刻意选了"低硬件依赖"
职业赛事追踪系统（多相机阵列 + 穿戴 / 专用硬件）精度高、成本低不起。它们是"高硬件依赖"那一格。
拳神是零穿戴、单目、零额外硬件——代价是绝对精度低于多传感器方案。这不是能力缺口，是刻意的设计权衡：我们选了"任何人掏出手机就能用"这条路，而不是"配齐硬件才准"那条路。
5. 行业差异化矩阵：我们独占一格
把主流方案按两个轴摆开，拳神的位置一目了然：
- X 轴（采集条件）：受控环境（固定机位/多视角/标记手套）←→ in-the-wild（单路手机视频）
- Y 轴（硬件依赖）：多传感器/穿戴（高）↑ ←→ 零穿戴（低）↓
``` 受控环境 ←──────────────────→ in-the-wild（单路手机） 多传感器/穿戴 │ 学术 / 职业商业系统 │ 少数职业转播系统 （高硬件依赖） │ （精度高，不可部署到业余） │ （多机位 + 穿戴） ───────────────┼──────────────────────────────┼────────────────── 零穿戴 │ （空白：无实际场景） │ ★ 拳神AI （低硬件依赖） │ │ 独占格 ```
- 学术 / 职业商业系统占左上格：精度高，但不可部署到业余 in-the-wild；
- 少数职业转播系统占右上格：精度高，但成本高、业余用不起；
- 拳神AI 独占右下格：单路手机视频 → 7 维可解释评分，零穿戴、零额外硬件、合规可上架。
这一格不是"精度最高"，而是唯一把「业余可用 + 零穿戴 + 合规」三条同时拉满的。矩阵就是"在零穿戴单目 in-the-wild 细分方向，是目前少见的端到端可用实现"这句话的几何证明。
6. 诚实边界：已知局限，一条不藏
硬核文章的灵魂是敢说弱点。拳神AI 当前已知局限：
1. 出拳检测 F1=0.053、稀有拳种召回 0 → 拳种只给分布，不写识别率； 2. 实时性未达标：全链路 12.8 FPS < 30fps 实时线，拳馆现场需 `fps_skip=1~2` 或降分辨率； 3. 手套漏检窗口：极端遮挡丢拳时依赖手腕关键点，仍有漏检； 4. 贴身 clinch：ReID 指纹可能短暂混淆，靠开局锚定 + 人工在环兜底。
这些不是部署 bug，是算法范式本身的 ceiling：用规则、用阈值、用统计突变，能绕开数据缺口，却绕不开复杂拳击动作的语义判别。
7. 2.0 升级主线：从「救火」到「升空」
1.0 用四个成熟技术把系统从"不可能"拉到"可用"。2.0 的主线是把规则换成学习——而且是在数据依然稀缺这个硬约束下学习。燃料是数据飞轮。
| 模块 | 1.0 现状 | 真实痛点 | 2.0 升级方向 | 预期增益（目标，非已达成） |
|---|---|---|---|---|
| 出拳检测 | Z-score 速度突变 | F1=0.053 | 骨骼序列时序模型（ST-GCN / LSTM-Attention / 轻量 Transformer）二分类 | F1 0.053 → 0.6+ |
| 拳种识别 | 常规分类器 | 稀有类召回全 0 | 度量学习 + 骨骼增强 + 主动学习补标 | 稀有类 0 → 可区分 |
| 追踪 | MOSSE/KCF 相关滤波 | 快速运动/遮挡退化 | 检测跟踪一体（ByteTrack / BoT-SORT）+ 骨骼外观 ReID | 换位移位不丢人 |
| 姿态底座 | YOLOv11-pose 单帧 2D | 转身/下潜深度歧义 | 时序姿态（MotionBERT）+ 3D 姿态 | 转身/闪避可评 |
| 部署实时 | WSL2 + TRT fp32 | 12.8 FPS 勉强 | INT8/FP16 量化 + 边缘 Orin/Jetson | 实时 12.8 → 30+ |
优先级与代价（诚实 ROI）：立即做（零硬件依赖、ROI 最高）的是出拳 ST-GCN 二分类、追踪 ByteTrack、Z-score→学习，它们直接打在 F1=0.053 与召回=0 两个最痛点上；中期是有门槛但增益结构性的 3D 姿态、自监督预训练；谨慎 / 不做的是视频大模型（成本与延迟不匹配业余场景，且可解释性差，违背"AI 点评须挂靠真实数字"的红线）、不碰人脸（合规铁律）、不盲目上单目 3D 重建（非约束场景下误差大）。
8. 小结 + 下篇预告
本篇用工程实测指标、与学术/商业系统的对比、一张行业差异化矩阵，把拳神AI 现在的真实位置钉死：
- 检测层「可用」、评分层「可复现可解释」；
- 出拳事件层「弱监督原型级」、拳种层「不承诺精度」；
- 独占「零穿戴 + 单目 + in-the-wild」这一格；
- 已知局限一条不藏，2.0 升级路线已列 ROI 优先级。
可用到底等于什么水平？答完了。下一篇：对拳击的意义——技术最终要回到人：这套系统对拳击爱好者意味着什么，对拳击运动这个行业又意味着什么。
_数据不骗人。拳神也不该。_
👇 想看你的真实数据？点文章底部「阅读原文」进官网 boxingai.cloud，拍段 30 秒空击传上去，看你的 7 维趋势线——出拳频率、连击、节奏、体力、移动，哪一项在涨、哪一项卡住了，一目了然。（链接已带渠道标记，你的访问会被准确计入。说明：空击场景我们只给可复现的技术趋势，不报命中率、不写拳种识别率。）
