En los últimos años, múltiples soluciones de IoT han utilizado tecnologías de inteligencia computacional para identificar a las personas y contarlas. La Información del Estado del Canal WIFI (CSI) ha sido aplicada recientemente para contar personas con múltiples beneficios, como ser rentable, de fácil acceso, libre de preocupaciones de privacidad, etc. Sin embargo, la mayoría de los trabajos actuales basados en CSI están limitados a entornos de ubicación fija de personas, ya que los entornos de ubicación aleatoria de personas son más complicados. Con el objetivo de solucionar el problema de contar personas en entornos de ubicación aleatoria de personas, proponemos una solución utilizando CM-NET de aprendizaje profundo, una red de aprendizaje cruzado de extremo a extremo. Dado que es difícil contar personas con CSI directamente, CM-NET aborda este problema utilizando aprendizaje profundo, utilizando un modelo transformador de múltiples capas para extraer automáticamente las correlaciones entre los canales y el número de personas. Debido a la complejidad de los entornos de ubicación aleatoria de personas, el modelo transformador no puede extraer características que describan el número de personas. Para mejorar la capacidad de aprendizaje de características del modelo transformador, CM-NET toma el conocimiento de características aprendidas por el modelo de conteo de personas basado en imágenes para supervisar el proceso de aprendizaje. En particular, CM-NET trabaja solo con CSI durante la fase de prueba sin ninguna información de imagen, y finalmente logra resultados sólidos con una precisión promedio del 86%. Mientras tanto, la superioridad de CM-NET ha sido verificada mediante la comparación con los últimos métodos relacionados disponibles.