RuView Model Training 是 RuView 项目的模型训练技能，用于训练多种类型的 RuView 模型。根据目标选择对应训练路线，所有路线均可在笔记本上运行，并提供可选的 GPU 路径。
一、用途 该技能覆盖从数据采集、训练、评估到发布模型的完整流程，面向基于 CSI（信道状态信息）与摄像头数据的姿态估计、嵌入检索、域泛化和边缘自适应等任务。
二、主要训练路线
Track A — 无摄像头姿态（WiFlow），无摄像头、无标签 从 10 路传感器信号训练 17 关键点姿态。速度快、完全无监督、精度适中。 命令： cd v2
在原始 CSI 上预训练（对比学习）
cargo run -p wifi-densepose-sensing-server -- --pretrain --dataset data/csi/ --pretrain-epochs 50
训练姿态头，保存 RVF 产物
cargo run -p wifi-densepose-sensing-server -- --train --dataset data/mmfi/ --epochs 100 --save-rvf model.rvf 在 M4 Pro 上约 84 秒。基准测试：node scripts/benchmark-wiflow.js，评估：node scripts/eval-wiflow.js。
Track B — 摄像头监督姿态（ADR-079）→ 92.9% PCK@20 使用网络摄像头 + MediaPipe 作为真值，与 ESP32 CSI 配对。笔记本上约 19 分钟。
1. 采集配对数据（摄像头 + CSI）
python scripts/collect-ground-truth.py # MediaPipe 姿态关键点 python scripts/collect-training-data.py # CSI 采集，时间同步 node scripts/align-ground-truth.js # 对齐摄像头 ↔ CSI 时间戳
2. 训练（通过 sensing-server / train crate 的摄像头监督路径）
cd v2 cargo run -p wifi-densepose-sensing-server -- --train --dataset data/paired/ --epochs <N> --save-rvf model.rvf
3. 评估
cd .. && node scripts/eval-wiflow.js # 报告 PCK@20 需要 data/pose_landmarker_lite.task（MediaPipe 模型）。参见 docs/adr/ADR-079-camera-ground-truth-training.md。
Track C — RuVector 对比嵌入（AETHER，ADR-024） 将 CSI 子载波幅度/相位转换为嵌入，用于重识别与检索（M4 Pro 上 171K emb/s）。由 wifi-densepose-train + wifi-densepose-ruvector（RuVector v2.0.4）驱动。频谱图嵌入见 ADR-076。 cd v2 cargo check -p wifi-densepose-train --no-default-features # 健全性检查 cargo run -p wifi-densepose-sensing-server -- --model model.rvf --embed cargo run -p wifi-densepose-sensing-server -- --model model.rvf --build-index env
Track D — 域泛化（MERIDIAN，ADR-027） 使模型无需重新训练即可跨环境迁移。通过训练流水线的域泛化选项配置；参见 ADR-027 及 wifi-densepose-train + ruview_metrics。
Track E — 本地 SNN 环境自适应 脉冲神经网络，可在 30 秒内适应新房间，在设备端或 Cognitum Seed 上运行： node scripts/snn-csi-processor.js --port 5006 参见 docs/tutorials/cognitum-seed-pretraining.md、ADR-084/085（RaBitQ 相似度传感器）、ADR-086（边缘新颖性门控）。
三、GCloud 上的 GPU 训练 项目 cognitum-20260110 具有 L4 / A100 / H100 配额。 gcloud auth login gcloud config set project cognitum-20260110 bash scripts/gcloud-train.sh --dry-run # 冒烟测试，合成数据 bash scripts/gcloud-train.sh --gpu l4 --hours 2 # 原型验证 bash scripts/gcloud-train.sh --gpu a100 --config scripts/training-config-sweep.json bash scripts/gcloud-train.sh --sweep # 完整超参数扫描 除非使用 --keep-vm，训练后 VM 会自动删除。费用：L4 约 $0.80/小时，A100 40GB 约 $3.60/小时。 本地 Mac 训练：bash scripts/mac-mini-train.sh。模型基准：python scripts/benchmark-model.py。
四、发布训练好的模型 python scripts/publish-huggingface.py # 或：bash scripts/publish-huggingface.sh 将 RVF 产物 + 模型卡推送到 Hugging Face。参见 docs/huggingface/。
五、数据布局
- data/recordings/：原始 CSI 采集（*.csi.jsonl），过夜运行
- data/csi/：用于预训练的 CSI 数据集
- data/mmfi/：MM-Fi 数据集（ADR-015）
- data/paired/：摄像头 ↔ CSI 配对样本（ADR-079）
- data/ground-truth/：MediaPipe 姿态关键点
- data/pose_landmarker_lite.task：MediaPipe 模型文件
- models/：训练产物 采集更多数据：python scripts/record-csi-udp.py（从实时节点进行 UDP CSI 采集）。
六、训练变更后的验证 cd v2 && cargo test --workspace --no-default-features # 1,400+ 通过，0 失败 cd .. && python archive/v1/data/proof/verify.py # VERDICT: PASS 然后交给 ruview-verify 生成见证包。
七、参考 ADR：015（MM-Fi + Wi-Pose 数据集）、016（RuVector 训练集成 — 已完成）、017（RuVector 信号 + MAT）、024（AETHER）、027（MERIDIAN）、076（频谱图嵌入）、079（摄像头真值）、084/085（RaBitQ）、095/096（ESP32 上时序建模、稀疏 GQA）。 Crate：wifi-densepose-train、wifi-densepose-nn、wifi-densepose-ruvector、wifi-densepose-sensing-server。 脚本：scripts/gcloud-train.sh、mac-mini-train.sh、benchmark-wiflow.js、eval-wiflow.js、benchmark-model.py。
八、适用场景与限制 适用于基于 CSI 的姿态估计、嵌入检索、跨环境迁移和边缘自适应等研究/工程场景。需要 Rust 工具链、Python 环境、MediaPipe 模型文件及相应数据集；GPU 训练依赖 GCloud 配额并产生费用。部分路线（如 Track D）的具体配置细节需参考对应 ADR 文档。