感知模型训练
训练 RuView 姿态/表示学习/跨环境泛化模型,含无相机 WiFlow、相机监督姿态、RuVector 对比、GPU 训练与 HuggingFace 发布。
功能与用途
用于训练和调优 RuView 无线感知模型,覆盖多种训练轨道:无需标签与摄像头的无监督 WiFlow 姿态估计、基于摄像头 MediaPipe 监督的高精度姿态模型、AETHER 对比表征向量、跨场景环境泛化以及本地脉冲神经网络(SNN)快速适配。支持在本地设备执行轻量实验,或调用云端 GPU 开展大规模超参数寻优并发布产物至 Hugging Face。输入 CSI 时序数据、同步姿态标注或配对图像,输出用于推理的 RVF 模型权重文件。
适用场景
- 零视觉无监督姿态模型训练:仅依靠多通道 CSI 传感器信号进行对比预训练,快速构建 17 关键点人体骨骼。
- 摄像头监督高精度姿态微调:利用网络摄像头与 MediaPipe 姿态生成真实标签,监督训练高准确率姿态估计模型。
- 跨环境泛化与自适应微调:应用域泛化算法或 SNN 适配器,使感知模型在几分钟内适配未采集过的新房间。
- 云端超参数扫描与模型发布:在云端 GPU 实例上发起自动化训练流水线,并将成型的 RVF 模型发布至平台。
适用人群
- ML 工程师
- 感知研究员
- R&D
使用步骤
- 选轨道(WiFlow/相机监督/对比/域泛化)。
- 准备数据(CSI/配对/标签)。
- 训练(笔记本或 GPU)。
- 评估并发布(HuggingFace)。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- IT运维与安全
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 专业
- 版本
- main
- 最近更新
- 2026-09-17
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Train RuView models — camera-free WiFlow pose (10 sensor signals, no labels), camera-supervised pose (MediaPipe + ESP32 CSI → 92.9% PCK@20, ADR-079), RuVector contrastive embeddings (AETHER, ADR-024), domain generalization (MERIDIAN, ADR-027), local SNN environment adaptation, plus GPU training on GCloud and Hugging Face publishing. Use when building, fine-tuning, evaluating, or shipping a model.
使用前准备
- 训练数据与 RuView 仓库
- (GPU)GCloud/本地算力
依赖与权限
- 读取用户主动提供的内容