CareNote

CareNote는 AgentDVR에서 녹화된 영상을 RunPod 서버로 보내고, 서버에서 영상을 분석한 뒤 낙상 여부를 판단하고 요약보고서를 생성하는 프로젝트입니다.

README에서는 다음 내용을 확인하실 수 있습니다.

• 어떤 파일을 실행해야 하는지
• AgentDVR, RunPod, 요약 스케줄러가 각각 어떤 역할인지
• 영상 분석 결과가 어디에 저장되는지
• 폴더 탐색 때문에 느려지던 문제를 어떻게 해결했는지
• 테스트와 문제 해결은 어떤 순서로 하면 되는지

한 줄 요약

로컬 PC의 AgentDVR가 영상을 녹화하면 send_video.py가 RunPod 서버의 server.py로 영상을 보내고, 서버는 Qwen 모델로 영상 설명 텍스트를 만든 뒤 낙상 감지, 이메일 알림, 요약보고서 생성을 처리합니다.

전체 동작 흐름

AgentDVR 녹화 완료
-> send_video.py 실행
-> RunPod 서버 /health 확인
-> RunPod 서버 /analyze-video/로 영상 업로드
-> 서버가 영상을 임시 저장
-> Qwen3-VL 모델이 영상 내용을 텍스트로 분석
-> 분석 텍스트 파일 저장
-> 같은 텍스트를 바로 낙상 감지 함수로 전달
-> 1차 낙상 감지
-> 필요하면 Claude 2차 판단
-> 낙상으로 판단되면 이메일 알림
-> 정해진 주기마다 요약보고서 생성 및 이메일 발송

중요한 점은 낙상 감지에서 폴더를 다시 뒤져서 최신 파일을 찾지 않는다는 것입니다. 서버가 방금 만든 분석 텍스트를 바로 함수에 넘기기 때문에 실시간 감지 지연이 줄어듭니다.

실행 위치

이 프로젝트는 크게 두 위치에서 동작합니다.

위치	실행 파일	역할
RunPod 서버	server.py	영상을 받고, 모델 분석, 낙상 감지, 요약 스케줄러를 실행
로컬 Windows PC	send_video.py	AgentDVR가 만든 녹화 영상을 RunPod 서버로 전송

RunPod에서는 서버를 실행하고, 로컬 PC에서는 AgentDVR 이벤트에 send_video.py를 연결합니다.

폴더 구조

carenote_modular/
  server.py                 RunPod에서 실행하는 서버 진입점
  send_video.py             AgentDVR 영상 전송 진입점
  trigger.example.bat       AgentDVR 연결용 Windows 배치파일 예시
  .env.example              GitHub에 올리는 환경 변수 예시 파일
  .gitignore                개인 설정/로그/캐시 제외 규칙
  main_scheduler.py         3분 주기 요약 스케줄러
  chunked_scheduler.py      60분 주기 요약 스케줄러
  summary_worker.py         요약 생성 함수 호환용 진입점
  fall_alert_checker.py     저장된 텍스트 파일 낙상 재검사용 진입점
  carenote_dashboard.py     기존 코드 호환용 대시보드 진입점
  utils.py                  기존 코드 호환용 유틸 진입점

  app/                      FastAPI 서버, 모델 로딩, 영상 분석 작업
  client/                   RunPod로 영상을 보내는 클라이언트 코드
  core/                     파일 저장, 인덱스, 공통 로깅 설정
  dashboard/                대시보드 상태와 설정 저장
  detection/                낙상 감지, Claude 2차 판단, 낙상 이메일
    training_data.py        1차 낙상 감지 재학습용 문장 데이터
    train_classifier.py     fall_classifier.pkl 재학습 스크립트
  summary/                  요약 생성, 요약 이메일, 요약 스케줄러
  web/                      대시보드 HTML
  models/                   낙상 1차 감지 모델 파일

주요 파일 설명

파일	설명
server.py	서버 실행 파일입니다. 내부적으로 app.main:app을 불러옵니다.
send_video.py	AgentDVR가 녹화 완료 후 실행할 파일입니다. 내부적으로 client.send_video를 실행합니다.
trigger.example.bat	AgentDVR와 send_video.py를 연결할 때 참고하는 Windows 배치파일 예시입니다.
.env.example	GitHub에 올려도 되는 환경 변수 예시입니다. 실제 비밀값은 .env에 넣습니다.
.gitignore	.env, 로그, 캐시, 임시 파일이 GitHub에 올라가지 않도록 막습니다.
main_scheduler.py	3분마다 요약보고서를 생성하는 스케줄러입니다.
chunked_scheduler.py	60분마다 요약보고서를 생성합니다. 내부적으로 10분 단위 조각을 만들어 긴 시간대를 안정적으로 요약합니다.
summary_worker.py	요약 생성 함수를 직접 import해서 쓰던 기존 코드와 호환되도록 남겨둔 파일입니다.
fall_alert_checker.py	이미 저장된 텍스트 파일 하나를 다시 낙상 검사할 때 사용합니다.
models/fall_classifier.pkl	1차 낙상 감지에 쓰는 분류 모델입니다.
detection/training_data.py	fall_classifier.pkl을 다시 학습할 때 쓰는 문장 데이터입니다.
detection/train_classifier.py	training_data.py를 이용해 fall_classifier.pkl을 새로 만드는 스크립트입니다.
web/dashboard.html	브라우저에서 보는 대시보드 화면입니다.

실행 전 준비물

RunPod 서버 쪽에는 다음이 준비되어 있어야 합니다.

• Python 실행 환경
• Qwen3-VL 모델 파일
• GPU 사용 가능한 RunPod Pod
• 필요한 Python 라이브러리
• Anthropic API 키
• 이메일 발송 계정 정보

로컬 Windows PC 쪽에는 다음이 필요합니다.

• AgentDVR
• Python 실행 환경
• send_video.py가 있는 프로젝트 폴더
• RunPod 서버 주소

필요한 Python 라이브러리

환경에 따라 이미 설치되어 있을 수 있습니다. 없다면 다음 계열의 라이브러리가 필요합니다.

fastapi
uvicorn
python-dotenv
requests
anthropic
numpy
scikit-learn
pytz
pydantic
sentence-transformers
transformers
vllm
qwen-vl-utils

RunPod의 GPU, CUDA, vLLM, Transformers 버전은 사용하는 이미지와 모델에 따라 맞춰야 합니다.

환경 변수 설정

환경 변수는 .env 파일에 넣거나 RunPod 환경 변수로 설정할 수 있습니다.

GitHub에는 실제 .env를 올리지 말고 .env.example만 올립니다. 처음 실행하는 사람은 .env.example을 복사해서 자기 환경에 맞는 .env를 만들면 됩니다.

가장 중요한 값:

ANTHROPIC_API_KEY=your_anthropic_api_key
SENDER_EMAIL=sender@example.com
SENDER_PASSWORD=your_email_app_password
JANG_EMAIL=receiver@example.com
CARENOTE_SERVER_URL=https://your-runpod-id-9000.proxy.runpod.net

모델과 저장 위치:

CHECKPOINT_PATH=/workspace/models/qwen3-vl-8b-instruct-fp8
BASE_RESULT_DIR=/workspace/development/generated_data

서버 모델 옵션:

GPU_MEMORY_UTILIZATION=0.8
MAX_MODEL_LEN=32768
TENSOR_PARALLEL_SIZE=1
ENFORCE_EAGER=true
MODEL_TIMEOUT_SEC=60
MAX_UPLOAD_BYTES=1073741824

요약 스케줄러:

ENABLE_SUMMARY_SCHEDULER=true

낙상 감지:

EMAIL_ALERT_ENABLED=true
FALL_CLASSIFIER_THRESHOLD=0.65
FALL_CLASSIFIER_PATH=models/fall_classifier.pkl
EMBEDDING_MODEL_NAME=all-MiniLM-L6-v2
CLAUDE_MODEL=claude-sonnet-4-6

로그:

LOG_LEVEL=INFO
CARENOTE_LOG_FILE=/workspace/development/generated_data/logs/carenote.log
CARENOTE_CLIENT_LOG_FILE=logs/send_video.log

AgentDVR 대시보드 표시용:

AGENT_DVR_BASE_URL=http://localhost:8090
AGENT_DVR_OBJECT_ID=1
AGENT_DVR_STREAM_URL=
AGENT_DVR_IFRAME_URL=

AGENT_DVR_OBJECT_ID는 AgentDVR에서 카메라/장치마다 부여되는 ID입니다. 현재 카메라 ID가 1이면 위처럼 1로 둡니다.

가장 기본 실행 방법

RunPod에서 프로젝트 폴더로 이동한 뒤 서버를 실행합니다.

uvicorn server:app --host 0.0.0.0 --port 9000

가상환경을 먼저 활성화하고 AgentDVR 화면 표시 설정까지 같이 넣는다면 다음처럼 실행합니다. 가상환경 경로는 사용하는 RunPod 이미지에 맞게 바꿉니다.

source /path/to/your/venv/bin/activate

export AGENT_DVR_BASE_URL="http://localhost:8090/"
export AGENT_DVR_OBJECT_ID="1"

uvicorn server:app --host 0.0.0.0 --port 9000

코드에서는 AGENT_DVR_BASE_URL 뒤의 /를 자동으로 정리하므로 http://localhost:8090/와 http://localhost:8090 둘 다 사용할 수 있습니다.

대시보드의 AgentDVR 영상 주소는 서버가 만든 뒤 브라우저에 전달합니다. 그래서 localhost:8090은 대시보드를 열고 있는 PC에서 AgentDVR에 접근 가능한 주소여야 합니다.

정상적으로 켜졌는지 확인합니다.

curl http://127.0.0.1:9000/health

정상 응답 예시:

{
  "status": "ok",
  "model_loaded": true
}

외부 PC에서는 RunPod 프록시 주소로 확인합니다.

https://your-runpod-id-9000.proxy.runpod.net/health

대시보드는 다음 주소에서 확인합니다.

https://your-runpod-id-9000.proxy.runpod.net/dashboard

3분마다 요약보고서를 만들고 싶을 때

3분 주기 요약은 main_scheduler.py가 담당합니다.

서버에 붙어 있는 기본 60분 요약과 중복되지 않게 하려면 먼저 자동 요약을 끕니다.

.env:

ENABLE_SUMMARY_SCHEDULER=false

터미널 1에서 서버 실행:

uvicorn server:app --host 0.0.0.0 --port 9000

터미널 2에서 3분 요약 스케줄러 실행:

python main_scheduler.py

이렇게 하면 영상 분석 서버는 계속 켜져 있고, 요약보고서는 3분마다 별도 프로세스에서 생성됩니다.

60분 요약을 따로 실행하고 싶을 때

서버와 분리해서 60분 요약 스케줄러만 실행하려면 다음 명령을 사용합니다.

python chunked_scheduler.py

이 경우에도 서버 자동 요약이 켜져 있으면 중복 실행될 수 있으므로, 분리 운영할 때는 ENABLE_SUMMARY_SCHEDULER=false를 권장합니다.

AgentDVR에서 영상 보내는 방법

AgentDVR는 녹화가 끝났을 때 특정 스크립트를 실행할 수 있습니다.

이 프로젝트에서는 로컬 Windows PC의 send_video.py를 AgentDVR 이벤트에 연결합니다.

GitHub에는 개인 PC 경로가 들어간 실제 배치파일 대신 trigger.example.bat를 올립니다. 실제 PC에서는 이 파일을 복사해서 AgentDVR가 실행하는 trigger.bat로 사용하면 됩니다.

배치파일에서 사용할 수 있는 환경 변수:

CARENOTE_PYTHON_EXE=C:\path\to\python.exe
CARENOTE_SEND_VIDEO_SCRIPT=C:\path\to\carenote_modular\send_video.py
CARENOTE_TRIGGER_LOG_FILE=C:\path\to\logs\trigger.log

이 값을 따로 설정하지 않으면 trigger.example.bat는 기본적으로 python 명령과 배치파일이 있는 폴더의 send_video.py를 사용합니다.

AgentDVR가 영상 파일 경로를 인자로 넘기면 send_video.py는 다음 순서로 동작합니다.

1. 전달받은 영상 파일이 실제로 있는지 확인합니다.
2. 파일 크기가 안정될 때까지 잠시 기다립니다.
3. RunPod 서버의 /health를 확인합니다.
4. 서버와 모델이 준비되어 있으면 /analyze-video/로 업로드합니다.
5. 서버가 접수하면 로컬 영상 파일을 삭제합니다.

로컬 영상을 삭제하지 않으려면 다음 값을 설정합니다.

DELETE_LOCAL_VIDEO_AFTER_SEND=false

수동 테스트:

python send_video.py C:\path\to\test.mp4

서버 API

주소	방식	설명
/health	GET	서버와 모델 준비 상태 확인
/analyze-video/	POST	영상 업로드 및 분석 요청
/dashboard	GET	대시보드 화면
/api/dashboard/status	GET	대시보드 상태 JSON
/api/dashboard/settings	GET	수신 이메일 설정 확인
/api/dashboard/settings	POST	수신 이메일 설정 변경
/api/dashboard/settings/reset	POST	수신 이메일 설정 초기화

영상 업로드는 바로 분석 결과를 기다리지 않고 202 Accepted로 접수됩니다.

응답 예시:

{
  "status": "queued",
  "id": "test_abcdef12",
  "message": "영상 업로드 완료. 분석은 백그라운드에서 진행합니다."
}

분석은 서버 백그라운드에서 진행되며, 결과는 텍스트 파일과 대시보드 상태로 확인합니다.

데이터 저장 위치

기본 저장 루트:

/workspace/development/generated_data

하위 폴더:

generated_data/
  videos/       업로드된 영상 임시 저장
  texts/        Qwen 분석 텍스트 저장
  summaries/    요약보고서 저장
  status/       대시보드 상태와 설정 저장
  logs/         설정한 경우 로그 파일 저장

텍스트 저장 예시:

texts/
  camera_2026-06-17_10-00-00.txt
  _text_index_2026-06-17.jsonl
  _latest_text.json

요약 저장 예시:

summaries/
  summary_2026-06-17_10-00-00_to_2026-06-17_11-00-00.txt
  _summary_index.jsonl
  _latest_summary.json

폴더가 안 열리고 느려지던 문제 해결

이전 방식의 핵심 문제는 텍스트 파일이 많아질수록 최신 파일을 찾기 위해 폴더 전체를 탐색해야 한다는 점이었습니다.

파일 수가 적을 때는 문제가 잘 보이지 않지만, 장기간 운영하면 texts 폴더 안의 파일이 계속 늘어납니다. 그러면 최신 파일 하나를 찾기 위해 많은 파일 이름과 수정 시간을 확인해야 하고, 저장소가 느린 환경에서는 대시보드나 낙상 감지가 지연될 수 있습니다.

현재 구조는 두 가지로 나눠 해결합니다.

첫 번째, 실시간 낙상 감지는 파일 탐색을 하지 않습니다.

서버는 Qwen 분석이 끝나면 분석 텍스트를 파일로 저장합니다. 동시에 그 텍스트 문자열을 낙상 감지 함수에 바로 넘깁니다. 즉, 낙상 감지는 "방금 저장한 파일을 다시 폴더에서 찾는 방식"이 아니라 "방금 생성된 텍스트를 바로 검사하는 방식"입니다.

두 번째, 장기 보관과 요약 처리는 인덱스를 사용합니다.

분석 텍스트 파일은 그대로 저장합니다. 대신 새 텍스트가 저장될 때마다 아래 인덱스 파일을 같이 갱신합니다.

_text_index_YYYY-MM-DD.jsonl
_latest_text.json

요약보고서도 마찬가지로 최신 요약 파일 정보를 별도 파일에 기록합니다.

_summary_index.jsonl
_latest_summary.json

그래서 대시보드나 요약 로직은 매번 폴더 전체를 훑지 않고, 필요한 인덱스만 읽습니다.

정리하면 다음과 같습니다.

목적	이전 방식	현재 방식
실시간 낙상 감지	저장된 파일을 다시 찾아 읽음	생성된 텍스트를 바로 함수에 전달
최신 텍스트 표시	폴더 전체 탐색	_latest_text.json 읽기
요약 대상 찾기	폴더 전체 탐색	날짜별 인덱스 파일 읽기
장기 보관	텍스트 파일 저장	텍스트 파일 저장 유지

낙상 감지 흐름

낙상 감지는 2단계로 구성되어 있습니다.

1차 감지:

• models/fall_classifier.pkl 모델 사용
• Qwen이 생성한 텍스트를 임베딩으로 변환
• 낙상 가능성이 기준값 이상이면 의심 상황으로 판단

2차 판단:

• 1차 감지에서 의심되면 Claude가 텍스트를 다시 읽고 판단
• 실제 낙상으로 판단되면 이메일 알림 발송

낙상인데 정상으로 처리되는 경우에는 먼저 기준값을 낮춰 테스트합니다.

FALL_CLASSIFIER_THRESHOLD=0.45

값을 낮추면 낙상을 더 잘 잡을 수 있지만, 정상 상황을 낙상으로 오판할 가능성도 늘어납니다. 장기적으로는 실제 Qwen 출력 문장을 모아서 fall_classifier.pkl을 다시 학습하는 것이 가장 좋습니다.

1차 낙상 감지 모델 재학습

models/fall_classifier.pkl은 1차 낙상 감지에 사용하는 학습 완료 모델입니다.

주의할 점은 .pkl 안에 원본 문장 데이터가 그대로 들어 있는 것이 아니라는 점입니다. 원본 문장들은 detection/training_data.py에 보관하고, .pkl에는 그 문장들로 학습된 Logistic Regression 모델의 가중치가 저장됩니다.

정확도를 올리고 싶을 때는 다음 순서로 작업합니다.

1. detection/training_data.py에 실제 Qwen 출력 문장을 추가합니다.
2. 낙상/주의 상황이면 라벨을 1로 둡니다.
3. 정상 상황이면 라벨을 0으로 둡니다.
4. 재학습 명령을 실행합니다.
5. 새로 생성된 models/fall_classifier.pkl로 서버를 다시 실행합니다.

재학습 명령:

python -m detection.train_classifier

기본 동작:

• 기존 models/fall_classifier.pkl이 있으면 .bak 백업 파일을 먼저 만듭니다.
• detection/training_data.py의 TRAINING_DATA를 임베딩합니다.
• Logistic Regression 모델을 다시 학습합니다.
• 새 모델을 models/fall_classifier.pkl에 저장합니다.

백업 없이 바로 덮어쓰고 싶을 때:

python -m detection.train_classifier --no-backup

다른 위치에 저장하고 싶을 때:

python -m detection.train_classifier --output /workspace/development/generated_data/models/fall_classifier.pkl

학습만 테스트하고 파일은 저장하지 않으려면:

python -m detection.train_classifier --dry-run

재학습 후 서버에서 새 모델을 쓰게 하려면 서버를 재시작하는 것이 가장 확실합니다.

이메일 종류

이메일은 두 종류가 있습니다.

위치	역할
detection/emailer.py	낙상 발생 시 긴급 알림 이메일 발송
summary/emailer.py	정기 요약보고서 이메일 발송

두 파일 모두 발신 계정은 SENDER_EMAIL, SENDER_PASSWORD를 사용합니다.

수신자는 기본적으로 JANG_EMAIL을 사용하며, 대시보드에서 수신 이메일을 바꾸면 낙상 알림은 대시보드 설정을 우선 사용합니다.

로그

서버와 스케줄러는 Python logging을 사용합니다.

기본 로그 레벨:

LOG_LEVEL=INFO

더 자세히 보고 싶을 때:

LOG_LEVEL=DEBUG

파일에도 저장하고 싶을 때:

CARENOTE_LOG_FILE=/workspace/development/generated_data/logs/carenote.log

로컬 PC에서 send_video.py가 남기는 전송 로그는 별도 파일을 사용합니다.

CARENOTE_CLIENT_LOG_FILE=logs/send_video.log

처음 테스트하는 추천 순서

1. RunPod 서버 실행

uvicorn server:app --host 0.0.0.0 --port 9000

2. 서버 상태 확인

curl http://127.0.0.1:9000/health

model_loaded가 true가 될 때까지 기다립니다.

3. 외부 주소 확인

로컬 PC 브라우저에서 아래 주소를 엽니다.

https://your-runpod-id-9000.proxy.runpod.net/health

4. 대시보드 확인

https://your-runpod-id-9000.proxy.runpod.net/dashboard

5. 짧은 영상 직접 업로드

RunPod 또는 로컬 PC에서 테스트 영상을 하나 보냅니다.

curl -X POST -F "file=@test.mp4" https://your-runpod-id-9000.proxy.runpod.net/analyze-video/

6. 분석 텍스트 확인

ls /workspace/development/generated_data/texts

아래 파일이 생겼는지 확인합니다.

분석결과.txt
_text_index_YYYY-MM-DD.jsonl
_latest_text.json

7. 요약보고서 확인

60분 요약은 시간이 지나야 생성됩니다. 바로 테스트하고 싶다면 3분 스케줄러를 따로 실행합니다.

python main_scheduler.py

요약 파일 확인:

ls /workspace/development/generated_data/summaries

8. AgentDVR 연결

직접 업로드 테스트가 성공한 뒤 AgentDVR 이벤트에 send_video.py를 연결합니다.

자주 생기는 문제와 확인 방법

/health가 502를 반환함

502는 대부분 RunPod 프록시가 서버 앱에 연결하지 못한다는 뜻입니다.

확인할 것:

• Pod가 Running 상태인지
• 서버를 --host 0.0.0.0 --port 9000으로 실행했는지
• RunPod 프록시 주소의 포트가 9000인지
• 서버가 실행 중에 에러로 종료되지 않았는지
• 모델 로딩 중 메모리 부족이 발생하지 않았는지

/health는 되지만 model_loaded=false

FastAPI 서버는 켜졌지만 Qwen 모델이 아직 준비되지 않은 상태입니다.

확인할 것:

• 모델 경로 CHECKPOINT_PATH가 맞는지
• RunPod GPU 메모리가 충분한지
• GPU_MEMORY_UTILIZATION, MAX_MODEL_LEN 값을 너무 크게 잡지 않았는지
• 서버 로그에 모델 로딩 오류가 없는지

영상 업로드가 503 Model is not ready를 반환함

모델 로딩이 끝나기 전에 영상을 보낸 상태입니다.

/health에서 model_loaded=true가 나온 뒤 다시 테스트합니다.

영상 업로드가 dropped로 나옴

서버가 이미 다른 영상을 분석 중이라는 뜻입니다.

현재 구조는 한 번에 하나의 영상만 분석하도록 잠금이 걸려 있습니다. 이전 영상 분석이 끝난 뒤 다음 영상을 처리합니다.

요약보고서가 생성되지 않음

요약 대상 시간 구간에 분석 텍스트가 없으면 요약보고서를 만들지 않습니다.

확인할 것:

• /workspace/development/generated_data/texts에 분석 텍스트가 있는지
• _text_index_YYYY-MM-DD.jsonl 파일이 있는지
• ANTHROPIC_API_KEY가 설정되어 있는지
• 스케줄러가 실제로 실행 중인지

이메일이 오지 않음

확인할 것:

• SENDER_EMAIL이 맞는지
• SENDER_PASSWORD가 일반 비밀번호가 아니라 앱 비밀번호인지
• JANG_EMAIL 또는 대시보드 수신 이메일이 맞는지
• Gmail 보안 설정에서 SMTP 로그인이 허용되는지

AgentDVR 전송 로그에 서버 준비 안 됨이 반복됨

send_video.py는 영상을 보내기 전에 /health를 확인합니다.

다음 중 하나일 가능성이 큽니다.

• RunPod 서버가 아직 켜지지 않음
• 서버는 켜졌지만 모델 로딩이 끝나지 않음
• RunPod 프록시 주소가 틀림
• 포트가 9000이 아님
• 서버가 중간에 에러로 종료됨

먼저 브라우저에서 아래 주소를 직접 열어 확인합니다.

https://your-runpod-id-9000.proxy.runpod.net/health

빠른 명령 모음

서버 실행:

uvicorn server:app --host 0.0.0.0 --port 9000

서버 상태 확인:

curl http://127.0.0.1:9000/health

테스트 영상 업로드:

curl -X POST -F "file=@test.mp4" http://127.0.0.1:9000/analyze-video/

3분 요약 스케줄러:

python main_scheduler.py

60분 요약 스케줄러:

python chunked_scheduler.py

텍스트 파일 낙상 재검사:

python fall_alert_checker.py /workspace/development/generated_data/texts/example.txt

AgentDVR 전송 수동 테스트:

python send_video.py C:\path\to\test.mp4

1차 낙상 감지 모델 재학습:

python -m detection.train_classifier

핵심 내용

• RunPod에서 기본으로 실행할 것은 server.py입니다.
• 로컬 AgentDVR에서 실행할 것은 send_video.py입니다.
• 서버를 켜면 기본적으로 60분 요약 스케줄러도 같이 실행됩니다.
• 3분 요약을 쓰려면 main_scheduler.py를 따로 실행합니다.
• 실시간 낙상 감지는 텍스트 내용을 바로 전달받기 때문에 폴더 전체 탐색 지연을 피합니다.
• 텍스트와 요약 파일은 장기 보관을 위해 계속 저장됩니다.
• 대시보드와 요약 로직은 최신 정보 파일과 인덱스를 사용합니다.
• 1차 낙상 감지 정확도를 개선하려면 detection/training_data.py를 수정하고 python -m detection.train_classifier로 .pkl을 다시 만듭니다.