基于 Vikkyv9/wifi-view(源自 ruvnet/wifi-densepose-pretrained 的 v2 收敛版 CSI 编码器)适配华为昇腾 NPU 的推理部署方案。
| 项 | 值 |
|---|---|
| 模型来源 | Vikkyv9/wifi-view (csi-embed-v2.safetensors) |
| 架构 | Enc: 8 → 64 → 128(2× Linear + BatchNorm + GELU + L2-Normalize) |
| 输入 | 标准化后的 8 维 CSI 特征([B, 8]) |
| 输出 | 128 维 L2 归一化嵌入([B, 128],模长 = 1) |
| 参数量 | ~9,280(对比学习 InfoNCE 训练,温度 0.1) |
| 权重格式 | safetensors fp32 (~40 KB) |
| 训练基准 | held-out temporal-triplet 准确率 66.4%(raw) → 82.3%(v2) |
| License | MIT |
| 运行硬件 | 华为昇腾 NPU(torch_npu 2.x) |
⚠️ 上游该仓同时含 v1
model.safetensors(头文件损坏 + flat-loss 未收敛,官方已标注弃用)与 2/4/8-bit 量化的 ESP32 精简版。本仓库采用官方推荐的 v2 全精度版csi-embed-v2.safetensors(重命名为model.safetensors),仅此一个权重即可完成推理。
WiFi 信号 ──ESP32-S3─► 8 维 CSI 特征 (standardized)
│
Enc (8->64->128) ← 本适配的核心
Linear+BatchNorm+GELU+L2
│
128 维嵌入
│
┌─────────────┬────────┴───────┬───────────┐
Presence head Activity head Vitals head (Roam)pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/仓库内已含 model.safetensors(v2 编码器)。若需从源刷新:
pip install huggingface_hub -i https://mirrors.aliyun.com/pypi/simple/
HF_ENDPOINT=https://hf-mirror.com huggingface-cli download Vikkyv9/wifi-view \
csi-embed-v2.safetensors --local-dir ./ && mv ./csi-embed-v2.safetensors ./model.safetensors# 8 维标准化 CSI 特征
python inference.py --model ./model.safetensors --device npu:0 \
--features "0.5,-0.2,0.8,0.1,-0.6,0.3,0.7,-0.4"输出 128 维 L2 归一化嵌入。断言:嵌入模长趋近 1。
# features.npy 形状为 [B, 8] 或 [8]
python inference.py --model ./model.safetensors --device npu:0 --input ./features.npypython inference.py --model ./model.safetensors --device npu:0 --selftest
# 期望输出:平均余弦 = 1.000000(逐位一致)仓库另含 model-q2/q4/q8.bin(TurboQuant 2/4/8-bit, <0.5% 质量损失)与 ESP32 SRAM 8KB 预算版 csi-embed-v2-int4.bin,主要用于边缘 MCU 部署;NPU 建议直接用全精度 fp32。
csi-embed-v2.py 的 Enc 结构本就直接兼容 torch_npu;推理态固定 BatchNorm running 统计(eval()),与官方加载逻辑逐位一致。--model : safetensors 权重路径 (默认 ./model.safetensors)
--device : 推理设备,npu:0 / cpu (默认 npu:0)
--features : 逗号分隔的 8 维 CSI 特征
--input : npy 输入文件 [B,8] 或 [8]
--selftest : 运行 NPU/CPU 一致性自检
--json : 以 JSON 输出嵌入向量如希望 HTTP 服务化暴露嵌入接口,可用 inference.py 作为后端核,接入 FastAPI:
# pip install fastapi uvicorn
from fastapi import FastAPI
app = FastAPI()
# POST /embed {features:[8]} -> {"embedding":[128]}如需完整 ChatCompletions 风格服务化,可接入 vLLM-Ascend(针对通用 LLM 场景)。
Vikkyv9/wifi-view)适配结论:WiFi-View v2 CSI 编码器已成功在昇腾 NPU 上原生运行,9K 参数、embedding 输出 CPU/NPU 一致(cos=1.000000),推理路径稳定。