ruvnet/wifi-densepose-pretrained 是 RuView WiFi 感知套件的预训练 CSI 嵌入模型(v2,2026-05-31)。将 ESP32 采集的 8 维 CSI 特征映射为 128 维 L2 归一化嵌入,用于无摄像头的人体存在检测与跨房间 LoRA 适配。
csi-encoder-8-64-128 — Linear(8→64) + BatchNorm + GELU → Linear(64→128) + BatchNorm → L2 归一化,参数 9,280;csi-embed-v2.safetensors (~40KB, fp32)sigmoid(embedding·w + b),阈值 0.3(presence-head.json,128 维权重)emb' = emb + scaling·((emb @ A) @ B),rank=4, alpha=8, scaling=2,node-1.json / node-2.jsoncsi-embed-v2-int4.bin(4.56KB, 适配 ESP32 8KB SRAM)本仓在单卡 Ascend910B(npu:0)上使用真实权重完成端到端验证。
| 项目 | 值 |
|---|---|
| 硬件 | Ascend910B (npu:0 = Ascend910_9362) |
| CANN | 8.5.1 |
| torch / torch_npu | 2.9.0+cpu / 2.9.0.post1 |
| dtype | float32 |
| 加载后端 | PyTorch eager + safetensors.torch.load_file |
| 权重来源 | csi-embed-v2.safetensors (SHA256 3b37bca..., 见上游 README) |
pip install -r requirements.txt
# requirements: torch, torch-npu, safetensors, numpy, huggingface_hub# 方式1:使用本地已缓存权重(Pod 默认路径)
python inference.py
# 方式2:指定权重目录
python inference.py --model-dir /path/to/wifi-densepose-pretrained
# 首次无本地权重时自动经 hf-mirror 下载
HF_ENDPOINT=https://hf-mirror.com python inference.py默认命令自动完成:权重加载 → CPU/NPU 一致性验证 → NPU 性能测试,并打印 PASS/FAIL。
python inference.py(npu:0, fp32, batch=16, seed=42, iters=100)的真实输出:
[model] name : ruvnet/wifi-densepose-pretrained
[model] task : wifi CSI embedding (8->64->128) + presence + node-LoRA
[model] arch : csi-encoder-8-64-128 (in=8, hidden=64, emb=128)
[device] npu:0 = Ascend910_9362
[device] npu-smi returncode=0
[result] sample presence scores (first 4): [0.9996, 0.9994, 0.9998, 0.9996]
[result] sample decisions (first 4) : ['present', 'present', 'present', 'present']
[result] embedding norm mean (npu) : 1.0000
[result] lora-node1 shift mean : 0.2408
[PASS] embedding_consistency
[PASS] cosine_consistency
[PASS] presence_score_consistency
[PASS] presence_decision_agreement
[PASS] lora_consistency
[RESULT] PASS说明:上游训练数据为单房间 8 小时连续采集的单类别样本(以 present 为主),因此固定随机输入的 presence 分数集中在高分段属预期现象;本验证关注 embedding 质量与 CPU/NPU 数值一致性,而非跨房间 presence 准确率复现。
固定 seed=42、同输入在 CPU 与 npu:0(fp32)对比(batch=16):
| 指标 | 结果 | 容差 |
|---|---|---|
| embedding max abs diff | 5.242e-04 | 1e-3 |
| embedding min cosine | 0.99999982 | 0.9999 |
| presence score max abs diff | 1.192e-07 | 1e-4 |
| presence 判定一致率 (thr=0.3) | 100% | ≥99.99% |
| node-1 LoRA max abs diff | 5.228e-04 | 1e-3 |
| node-2 LoRA max abs diff | 5.110e-04 | 1e-3 |
本验证为固定随机样例的 smoke consistency,非完整数据集评测。上游未提供多房间带标签公开 CSI 测试集,故不做 presence 准确率复现。
npu:0, fp32, batch=16,预热 3 次、计时 100 次,区间前后 torch.npu.synchronize():
| 指标 | avg | min | p50 | p90 | p95 | max |
|---|---|---|---|---|---|---|
| 编码器延迟 (ms) | 0.250 | 0.234 | 0.247 | 0.263 | 0.276 | 0.304 |
| 完整管线延迟 (ms)¹ | 0.379 | 0.352 | 0.377 | 0.393 | 0.403 | 0.536 |
吞吐:编码器 63,984 emb/s;完整管线 42,206 emb/s;峰值 NPU 显存 0.12 MB。
¹ 编码 + 存在检测 + node-1 LoRA。
assets/agent_workflow.png — 下载、侦察、加载、NPU 推理、验证、性能全流程日志assets/npu_device_call.png — npu-smi info、torch.npu.is_available()、设备名、模型参数 device/dtypeassets/model_result.png — python inference.py 完整任务输出与 PASS/FAILmodel-q2/q4/q8.bin 与 model.safetensors 为 v1 量化变体,本验证聚焦 v2 收敛编码器 csi-embed-v2.safetensors。NPU, Ascend, Ascend910, wifi-sensing, csi-embedding, presence-detection