说明:仓库名虽含 "densepose",但模型并不包含 DensePose / 姿态估计参数,而是 WiFi 感知(WiFi sensing)编码器(见模型卡 §7 "What this does not claim")。本仓库按模型实际用途适配。
| 组件 | 版本 |
|---|---|
| NPU | Ascend 910B(Ascend910_9362) |
| CANN | 8.5.1 |
| torch | 2.9.0 |
| torch-npu | 2.9.0.post1 |
| numpy | 1.26.4 |
| safetensors | 0.7.0 |
| fastapi / uvicorn | 0.123.10 / 0.46.0 |
| Python | 3.11.14 |
RuView 是一个 WiFi 感知(WiFi sensing)自监督对比学习模型:WiFi 信号被 ESP32-S3 采集后,传感服务器逐帧提取 8 维 CSI 特征,再由编码器映射为 128 维 L2 归一化嵌入:
WiFi signals → ESP32-S3 → 8-dim CSI features @ 1Hz → Encoder → 128-dim embedding
↓
presence 头 / 活动头 / 生命体征头8 维特征语义:
| Dim | 特征 | 含义 |
|---|---|---|
| 0 | presence | 信号扰动程度(人在附近) |
| 1 | motion | 信号变化速率(走路 > 打字 > 静止) |
| 2 | breathing | 胸廓运动调制的子载波相位(6-30 BPM) |
| 3 | heart_rate | 血脉冲微多普勒(40-120 BPM) |
| 4 | phase_variance | 相位方差(信号质量) |
| 5 | person_count | 独立运动簇数量 |
| 6 | fall | 跌倒检测 |
| 7 | rssi | 信号强度 |
架构:Linear(8→64) → BatchNorm1d(64) → GELU → Linear(64→128) → BatchNorm1d(128) → L2 normalize。
附加组件:
P(present);loraA [128,4]、loraB [4,128]、scaling = alpha/rank = 2),对嵌入做残差微调。注:模型是判别式编码器而非自回归生成模型,vLLM-Ascend(自回归文本生成引擎)无法加载。本仓库通过
torch_npu直接在 Ascend NPU 上运行,并用 FastAPI 提供 OpenAI 兼容的服务化推理。
--node node-1 指定房间适配;https://atomgit.com/hf_mirrors/aarongid/wifi-dense-pose-pretrained 拉取(环境无 git-lfs)。wifi-densepose-pretrained/
├── inference.py # 推理脚本(CLI / 基准 / FastAPI 服务化)
├── README.md # 本说明文档
├── requirements.txt # 环境依赖清单
└── assets/ # 截图素材
├── agent_workflow.png
├── npu_device_call.png
└── model_result.png# 建议配置华为镜像源加速
export PIP_INDEX_URL=https://repo.huaweicloud.com/repository/pypi/simple/
pip install -r requirements.txt权重目录(config.json / csi-embed-v2.safetensors / presence-head.json / node-1.json / node-2.json)放置于 /opt/atomgit/models/wifi-densepose-pretrained,也可通过 --model-path 指定其它位置。来源:https://huggingface.co/aarongid/wifi-dense-pose-pretrained(镜像 https://atomgit.com/hf_mirrors/aarongid/wifi-dense-pose-pretrained)。
python3 inference.py --model-path /opt/atomgit/models/wifi-densepose-pretrained \
--device npu:0python3 inference.py --model-path /opt/atomgit/models/wifi-densepose-pretrained \
--device npu:0 --features "0.42,0.31,-0.15,0.08,0.12,0.50,0.0,-0.55"python3 inference.py --model-path /opt/atomgit/models/wifi-densepose-pretrained \
--device npu:0 --input-file batch.json
# batch.json: [[f0,...,f7], [f0,...,f7], ...] 或 {"features": [[...], ...]}python3 inference.py --model-path /opt/atomgit/models/wifi-densepose-pretrained \
--device npu:0 --node node-1python3 inference.py --benchmark --model-path /opt/atomgit/models/wifi-densepose-pretrained \
--device npu:0 --n-runs 30 --batch 32python3 inference.py --serve --model-path /opt/atomgit/models/wifi-densepose-pretrained \
--port 8000 --device npu:0# 模型列表
curl http://127.0.0.1:8000/v1/models
# 单帧推理
curl http://127.0.0.1:8000/v1/predict -H 'Content-Type: application/json' \
-d '{"features": [0.42, 0.31, -0.15, 0.08, 0.12, 0.50, 0.0, -0.55]}'
# 批量推理 + node-1 房间 LoRA
curl http://127.0.0.1:8000/v1/predict -H 'Content-Type: application/json' \
-d '{"batch": [[0.42,0.31,-0.15,0.08,0.12,0.5,0.0,-0.55],[0.1,0.05,0.2,0.0,0.0,0.1,0.0,-0.9]], "node": "node-1"}'
# OpenAI 兼容 chat 接口(content 为 8 维特征)
curl http://127.0.0.1:8000/v1/chat/completions -H 'Content-Type: application/json' \
-d '{"model": "aarongid/wifi-dense-pose-pretrained", "messages": [{"role": "user", "content": "0.42,0.31,-0.15,0.08,0.12,0.50,0.0,-0.55"}]}'| 方法 | 路径 | 说明 |
|---|---|---|
| GET | /v1/models | 模型列表(含 hardware=NPU) |
| POST | /v1/predict | 单/批量 8 维特征推理(可选 node LoRA) |
| POST | /v1/chat/completions | OpenAI 兼容包装 |
| GET | /v1/health / /health | 健康检查 |
| 指标 | 结果 |
|---|---|
| 参数量 | 9,280 |
| 输入 | 8 维 CSI 特征(定长) |
| 输出 | 128 维 L2 归一化嵌入 + P(present) |
| 平均延迟(batch 32,30 次) | ~0.26 ms |
| 峰值 HBM 增量 | <0.01 GB(模型仅 ~40 KB) |
| NPU vs CPU 余弦相似度 | 1.0 |
| 示例嵌入 L2 范数 | 1.0 |
| 示例存在性概率 P(present) | 0.999608(判定 present) |