RuView

RuView

一组小型模型，通过 ESP32 芯片读取 WiFi 信号变化，在没有摄像头的情况下估计姿态、动作和人员在场，并附带训练自己模型的脚本。适合在同意的对象身上做测试的创客和研究人员。

由 ruv 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：RuView 是一组小型模型，通过 ESP32 芯片读取 WiFi 信号的变化来感知人。模型卡列出了在线检测、移动、呼吸、心率、姿态、人数和跌倒提醒，全都不需要摄像头。它包含一个姿态模型和一个紧凑的对比式感知模型。

适合谁：适合想用廉价硬件试验无摄像头感知的创客和研究人员。模型卡给一块 ESP32-S3 板标价约 9 美元。请只在在场的人知情并同意的地方使用。

Industry | Who uses it | How they use it | Example
研究 | 无线感知研究人员 | 从 WiFi 信号数据研究姿态和人员在场 | 用一段短录音训练姿态模型
智能家居 | 业余创客 | 不用摄像头感知房间里的活动 | 用 ESP32 板检测移动
护理场景 | 原型开发者 | 探索跌倒提醒和呼吸检查 | 与同意的志愿者一起测试跌倒提醒
嵌入式系统 | 边缘开发者 | 在微控制器上运行小模型 | 让 4-bit 感知模型装进板子

如果你需要经过验证的生产级在场检测器，可以跳过它，因为模型卡撤回了此前的在场准确率说法。

用在哪里：

• 传输 WiFi 信道状态数据的 ESP32-S3 板
• RuView 感知流程，模型卡说这些模型可接入其中
• 用来训练的电脑，比如 Mac mini，据模型卡不需要 GPU
• Windows、macOS 或 Linux，用 Hugging Face 的 hub 工具下载后即可

Use case | Who | What they get back
姿态估计 | 研究人员 | 根据 WiFi 数据每帧得到 17 个关键点，据模型卡 PCK@20 为 92.9%
在场与动作 | 创客 | 对是否有人、是否在动的读数
呼吸和心率 | 原型开发者 | 非接触式估计，模型卡列出的范围是每分钟 6 到 30 次和 40 到 120 次
按房间调整 | 边缘开发者 | 针对单个房间或节点的小型适配器文件

如何设置：

• 安装好 Python 和 pip
• 用于实时感知的 ESP32-S3 板，以及一份 RuView 项目
• 几分钟的录制时间，模型卡说 5 分钟数据加 19 分钟训练就能得到姿态模型

1. 安装 Hugging Face hub 包。
2. 把模型文件下载到 models 文件夹。
3. 给板子烧录固件，如果想要自己的姿态模型，再运行采集和训练脚本。

pip install -U huggingface_hub
hf download ruv/ruview

# Download all models
pip install huggingface_hub
huggingface-cli download ruv/ruview --local-dir models/

如何使用：先用固件文件烧录 ESP32-S3，再运行项目的脚本。第一条命令写入固件，后四条采集成对数据并训练姿态模型。

python -m esptool --chip esp32s3 --port COM9 --baud 460800 \
  write_flash 0x0 bootloader.bin 0x8000 partition-table.bin \
  0xf000 ota_data_initial.bin 0x20000 esp32-csi-node.bin

python scripts/collect-ground-truth.py --duration 300 --preview
python scripts/record-csi-udp.py --duration 300
node scripts/align-ground-truth.js --gt data/ground-truth/*.jsonl --csi data/recordings/*.csi.jsonl
node scripts/train-wiflow-supervised.js --data data/paired/*.jsonl --scale lite

Tool | What it does
esptool | 把固件写入 ESP32-S3
collect-ground-truth.py | 记录用作训练标签的摄像头关键点
record-csi-udp.py | 记录 WiFi 信号数据
align-ground-truth.js | 把摄像头标签和信号录制配成对
train-wiflow-supervised.js | 训练轻量姿态模型

示例：你录制五分钟的 WiFi 数据，同时用网络摄像头记录你的动作作为标签。训练大约 19 分钟后，你会得到一个小型姿态模型，只凭 WiFi 信号就能估计 17 个身体关键点。

新手与专家：如果你刚接触，先下载模型并阅读仓库文件，再考虑买硬件。把每个准确率数字都当作要在你自己房间里验证的说法。

专家会注意到，姿态模型把幅度数据送入两个扩张因果卷积块和两个全连接层，输出 17 个归一化关键点，约有 189K 参数。感知模型生成 128 维嵌入，并有适合小芯片的 4-bit 和 2-bit 版本。

Title: 感知模型文件大小（KB）
2-bit 文件: 4 KB
4-bit 文件: 8 KB
8-bit 文件: 16 KB
完整 safetensors: 48 KB

ESP32 记录 WiFi 信号数据
模型读取信号变化
流程输出姿态或在场信息
你在自己房间里检验结果

注意事项：

• Correction: 此前 100% 的在场准确率说法已被撤回，因为它来自单一类别的录制，所以请把在场准确率视为未经验证
• Sizes: 姿态模型为 974 KB，4-bit 感知模型为 8 KB
• Privacy: 不用摄像头感知人仍然属于监测，所以请取得在场所有人的同意
• License: MIT
• Cost to run: 未提及 API 密钥或账号，据模型卡板子约 9 美元
• Data it reaches: 会读取你自己板子上的 WiFi 信号数据，如果训练姿态模型还会用到网络摄像头关键点
• Not for: 模型卡没有列出限制，但秘密监测，或声称准确率已被验证，都超出它所能支持的范围

Hugging Face 上的数据（2026年11月13日）

• 任务：other
• 框架：onnxruntime
• Formats: Safetensors
• 最近 30 天下载：69
• 点赞：37
• 许可证：mit
• 语言：en
• 标签：onnxruntime, safetensors, sona-lora, wifi-sensing, vital-signs, presence-detection, pose-estimation, edge-ai, esp32, self-supervised, camera-supervised, cognitum

链接

• 模型：https://huggingface.co/ruv/ruview
• 文件：https://huggingface.co/ruv/ruview/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ruv/ruview

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。