Chi cerca un WiFi sensing dataset di solito vuole dati CSI pubblici, un benchmark per confrontare modelli o esempi realistici per testare una demo senza videocamera. Ogni obiettivo richiede dati diversi.
Per RuView il dataset stabilisce cosa il modello ha imparato davvero. La demo mostra l’interfaccia, GitHub mostra il codice, ESP32 spiega la cattura; i dati fissano i limiti della validazione.
Cosa rende valido un dataset WiFi sensing
Un buon dataset WiFi sensing documenta come è stato catturato il CSI, non solo le classi. Deve indicare hardware, banda, antenne, ritmo dei pacchetti, stanza, partecipanti, protocollo, sincronizzazione e split di valutazione.
Il task è il filtro principale. HAR richiede azioni ripetute, presenza richiede stanza vuota e occupata, respirazione richiede riferimento indipendente, e multiutente richiede etichette di interazione.
- Preferisci dataset con hardware, stanza, partecipanti ed etichette esplicite.
- Cerca baseline vuote e test negativi.
- Controlla se lo split separa persone, stanze, sessioni o dispositivi.
Benchmark pubblici da confrontare
Le risorse pubbliche hanno ruoli diversi. Awesome-WiFi-CSI-Sensing è una directory, SenseFi aiuta a confrontare modelli PyTorch, WiMANS copre attività multiutente e CSI-Bench si avvicina a scenari reali.
Una directory aiuta a scoprire, una libreria a riprodurre, un dataset sul campo a misurare robustezza.
| Risorsa | Uso migliore | Da verificare |
|---|---|---|
| Awesome-WiFi-CSI-Sensing | Trovare paper e dataset | Accesso e documentazione |
| SenseFi | Benchmark modelli | Dataset, modelli e split |
| WiMANS | Attività multiutente | Etichette, utenti e video |
| CSI-Bench | WiFi sensing realistico | Task, dispositivi e accesso |
Come scegliere dati per RuView
Parti dalla domanda RuView. Per la presenza, non iniziare da un dataset di gesti fini. Per generalizzazione, evita split della stessa sessione.
La checklist pratica include CSI grezzo, metadati, etichette, baseline e split. Senza questi elementi, l’accuratezza può essere memoria di una stanza.
- Registra baseline locali anche usando dati pubblici.
- Conserva tempi e test negativi per movimento o pose.
- Documenta consenso e accesso se esiste video sincronizzato.
Errori comuni nei dataset
L’errore comune è scambiare alta accuratezza su un dataset per garanzia in un’altra stanza. CSI cambia con muri, mobili, antenne, firmware e traffico.
Si mescolano anche task incompatibili. Un dataset di gesti non prova presenza multiutente, e un benchmark con video può essere troppo sensibile per una demo leggera.
| Errore | Rischio | Approccio migliore |
|---|---|---|
| Una sola stanza | Il modello memorizza multipath | Testare stanze e sessioni |
| Nessuna baseline | Falsi positivi nascosti | Catturare vuoto e negativi |
| Privacy ignorata | Video e routine sensibili | Spiegare consenso e accesso |
| Task mescolati | Etichette incompatibili | Scegliere per task |
Piccolo piano con ESP32 e RuView
Se nessun dataset pubblico corrisponde, crea un piccolo dataset locale: stanza vuota, ingresso, uscita, camminata, seduta, porta senza persona e traffico router senza movimento.
Separa CSI grezzo, feature filtrate, etichette, note della stanza e split. Ogni previsione deve essere tracciabile fino a una sessione.
- Nomina le sessioni per data, stanza, dispositivo, banda e scenario.
- Separa CSI grezzo da feature processate.
- Riserva una sessione o una stanza per il test.
Perché questa pagina non cannibalizza altre pagine RuView
Questa pagina non sostituisce home, guida GitHub, guida ESP32 o motion capture. Si concentra su dataset, benchmark, etichette, split e validazione.
Chi cerca “ruview github” deve arrivare alla guida GitHub. Chi cerca “wifi sensing dataset” ha bisogno di criteri sui dati prima di RuView, ESP32 o un corpus pubblico.
Fonti e riferimenti dataset
FAQ sui dataset WiFi sensing
Qual è il dataset migliore per iniziare?
Per imparare i modelli, usa un benchmark documentato come SenseFi. Per una demo RuView reale, raccogli anche baseline locali.
Posso addestrare RuView con qualsiasi dataset CSI?
Non in modo affidabile. Hardware, stanza, etichette e task devono corrispondere.
Perché serve la baseline della stanza vuota?
Aiuta a separare cambiamenti ambientali e falsi positivi dall’attività umana.
I dataset WiFi sensing sono sensibili?
Sì. CSI può rivelare presenza e routine; i video sincronizzati richiedono ancora più cautela.