f
fbybl/wifi-view
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

wifi-view:把 WiFi 信号变成"环境感知"的昇腾 NPU 推理服务

1. 这个模型在做什么

我们身边的 WiFi 信号其实无时无刻不在"感知"环境。人的走动、呼吸起伏、心跳带来的微小多普勒变化,都会让路由器接收到的 CSI(信道状态信息)产生扰动。Vikkyv9/wifi-view 学习的就是:给定一组从 WiFi 信号里提取出的 8 维特征,还原出"房间里此刻是什么状态"。

模型的输出是 128 维的归一化特征向量,下游可以拿它做穿墙人体存在检测、呼吸/心率估算、运动识别。由于信号本身不带任何图像信息,这种方案天然保护隐私——不需要摄像头,不依赖视线。

[ESP32/Router 提取的 8 维 CSI 特征]
          │
    Linear(8 → 64)
    BatchNorm + GELU
    Linear(64 → 128)
    BatchNorm + L2 归一化
          │
   ▼  128 维特征向量

整个模型只有 9280 个参数,fp32 权重约 40KB,非常适合跑在边缘节点附近的服务端上,长期常驻也不心疼资源。

2. 适配的软硬件环境

我是在下面的组合里完成适配和验证的,想复现的话照着搭即可:

类别取值
系统Linux(aarch64)
加速卡昇腾 Ascend 910(单卡 64GB)
CANN8.5.1
Python3.11.14
PyTorch2.9.0
torch_npu2.9.0.post1
Web 框架FastAPI + Uvicorn

一句话总结:只要是 CANN 8.5.x 配套的 torch/torch_npu,基本都能跑。

3. 怎么把服务拉起来

3.1 需要的文件

模型目录下放这些文件就够(目录名随意,下面默认 /data/models/wifi-view):

  • csi-embed-v2.safetensors —— 编码器权重,程序优先认它
  • presence-head.json —— 存在检测头
  • config.json —— 配置
  • inference.py —— 启动脚本

3.2 启动

python3 /data/models/wifi-view/inference.py \
  --serve \
  --port 8200 \
  --device npu:1

想要后台跑就加 nohup ... &。端口如果撞车了,把 --port 换掉就行,程序不会强行占用。

3.3 确认活着

curl http://127.0.0.1:8200/health

看到 {"status":"ok","device":"npu:1","model":"Vikkyv9/wifi-view"} 就是起来了。

4. 先跑个冒烟测试

服务起来后,按下面顺序试:

# 看服务暴露了哪些模型
curl http://127.0.0.1:8200/v1/models

# 丢一条 8 维特征进去
curl -X POST http://127.0.0.1:8200/v1/embeddings \
  -H 'Content-Type: application/json' \
  -d '{"input":[[0.12,0.45,0.38,-0.21,0.09,0.52,-0.03,0.71]]}'

# 一次丢多条(空房间 vs 有人)
curl -X POST http://127.0.0.1:8200/v1/embeddings \
  -H 'Content-Type: application/json' \
  -d '{"input":[[0.55,0.88,0.12,-0.08,0.47,0.95,0.02,0.42],[-0.90,-0.95,0.02,0.01,-0.88,-0.97,-0.03,-0.80]]}'

返回里每个 data[i] 都带 embedding(128 维)和 presence_probability(存在概率)。向量模长恒为 1,说明 L2 归一化正常。

5. 性能数据(实测)

小模型跑 NPU 基本是"秒出",实测如下:

项目数值
参数量9280
首请求延迟(含加载)约 196 ms
稳定后单条延迟约 0.5~1.2 ms
整段往返(含 HTTP)约 3~6 ms
NPU 显存约 124 MB

对大部分实时感知场景来说,这个延迟可以忽略不计。瓶颈通常在网络传输而不是计算。

6. 精度与语义验证

我构造了 4 组有代表性的特征做验证,结果如下:

场景存在概率结论
轻微运动0.9996判定为有人
静止站立0.9995判定为有人
明显走动0.9998判定为有人
空房间0.9994判定为有人

注意:当前检测头对"空房间"样本也输出较高概率,说明官方 presence-head.json 的阈值并不以 0.5 为严格分界,实际使用时建议结合具体场景重新标定阈值。

再算 embedding 之间的距离:

  • 有人(轻动) ↔ 有人(静止):0.23
  • 有人(走动) ↔ 有人(静止):0.94
  • 有人(轻动) ↔ 空房间:0.90

结论是"运动强度"带来的嵌入差异明显,"空房/有人"的区分则相对温和。官方报告其时间分离三元组精度为 82.3%。

7. 踩坑提醒

把这次适配中遇到的几个坑记在这里,帮后来人省时间:

  • 权重别混用:csi-embed-v2.safetensors 的键名是 w1.*/w2.*,而 model.safetensors 是 encoder.*,加载逻辑里做了兼容映射,但你自己写代码加载时要看清楚。
  • 端口冲突:8200 可能被别的进程占着,--port 改成其他值即可。
  • eval 模式:推理时模型必须处于 eval(),BatchNorm 用的是 running stats,别手滑切到 train()。
  • 输入要标准:模型吃的是"标准化后的 8 维特征",不是原始 CSI 数据,上游处理口径不对结果会漂。
  • vLLM 的定位:这模型是纯嵌入任务,没 tokenizer 也没 attention,所以没走 vLLM 生成框架,而是服务层适配成 OpenAI 兼容接口。想接 vLLM-Ascend 生态的可以在上层做 Embeddings 代理。

8. 参考资料

  • 模型主页:https://huggingface.co/Vikkyv9/wifi-view
  • 架构名:sona-lora / csi-encoder-8-64-128
  • 开源许可:MIT