w
gcw_uQ09W7jl/ruvnet-wifi-densepose-pretrained-NPU
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

ruvnet/wifi-densepose-pretrained on Ascend NPU

1. 模型简介

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。

  • 架构: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)
  • 存在检测头:sigmoid(embedding·w + b),阈值 0.3(presence-head.json,128 维权重)
  • 节点 LoRA:emb' = emb + scaling·((emb @ A) @ B),rank=4, alpha=8, scaling=2,node-1.json / node-2.json
  • 量化:配套 csi-embed-v2-int4.bin(4.56KB, 适配 ESP32 8KB SRAM)
  • 评测:持留时序三元组准确率 82.3%(时序不相交 80/20 切分),显著高于原始 8 维特征基线 66.4% 与随机初始化基线 69.6%
  • 原始权重:https://huggingface.co/ruvnet/wifi-densepose-pretrained,MIT 协议

本仓在单卡 Ascend910B(npu:0)上使用真实权重完成端到端验证。

2. 验证环境

项目值
硬件Ascend910B (npu:0 = Ascend910_9362)
CANN8.5.1
torch / torch_npu2.9.0+cpu / 2.9.0.post1
dtypefloat32
加载后端PyTorch eager + safetensors.torch.load_file
权重来源csi-embed-v2.safetensors (SHA256 3b37bca..., 见上游 README)

3. 安装依赖

pip install -r requirements.txt
# requirements: torch, torch-npu, safetensors, numpy, huggingface_hub

4. NPU 推理

# 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。

5. 真实推理结果

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。

6. CPU-NPU 一致性验证

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 diff5.242e-041e-3
embedding min cosine0.999999820.9999
presence score max abs diff1.192e-071e-4
presence 判定一致率 (thr=0.3)100%≥99.99%
node-1 LoRA max abs diff5.228e-041e-3
node-2 LoRA max abs diff5.110e-041e-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。

7. 性能测试

npu:0, fp32, batch=16,预热 3 次、计时 100 次,区间前后 torch.npu.synchronize():

指标avgminp50p90p95max
编码器延迟 (ms)0.2500.2340.2470.2630.2760.304
完整管线延迟 (ms)¹0.3790.3520.3770.3930.4030.536

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。

8. 自验证截图

  • 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/dtype
  • assets/model_result.png — python inference.py 完整任务输出与 PASS/FAIL

9. 已知限制

  • 本仓验证 presence 头的 CPU/NPU 数值一致性,不复现跨房间 presence 准确率(无公开多类 CSI 测试集)。
  • NPU 上 BatchNorm 与线性层的浮点累加顺序与 CPU 略有差异,embedding max diff ~5e-04 在 fp32 容差 1e-3 内,cosine >0.99999。
  • model-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。
  • INT4 4.56KB 模型面向 ESP32 侧推理,本仓 NPU 验证使用 fp32 编码器。

10. 标签

NPU, Ascend, Ascend910, wifi-sensing, csi-embedding, presence-detection