화니의 세상

ESPectre는 카메라나 마이크 없이, 집 안의 움직임을 Wi-Fi 신호만으로 감지하는 오픈소스 프로젝트입니다. ESP32-S3 보드와 기존 2.4GHz Wi-Fi 공유기, 그리고 Home Assistant나 MQTT 서버만 있으면 동작하며, 하드웨어 비용은 약 10유로(ESP32-S3 보드 1개) 수준으로 매우 저렴한 편입니다.  

이 시스템은 머신러닝 모델을 쓰지 않고, Wi-Fi 채널 상태 정보(CSI)에서 10개의 통계·신호 처리 기반 특징값을 추출해 움직임 여부(IDLE/MOTION)를 판단하는 수학적 방식으로 동작합니다. 덕분에 별도의 학습 과정 없이도 바로 쓸 수 있고, 나중에 사람 수 추정이나 동작 인식 같은 고급 기능을 위해서는 이 데이터를 기반으로 ML 모델을 추가로 학습할 수도 있습니다.  

원리는 간단합니다. 사람이 방 안에서 움직이면 공유기와 센서 사이를 오가는 Wi-Fi 파형이 미세하게 바뀌는데, ESP32-S3가 이 변화를 CSI 데이터로 들여다보고 “지금 움직임이 있는지”를 판단합니다. 이 방식은 카메라가 없어 프라이버시를 지키고, 웨어러블 기기도 필요 없으며, 벽을 사이에 두고도 감지 가능하다는 점이 큰 장점입니다.  

ESPectre가 특히 유용한 분야로는 집 안 침입 감지 같은 홈 보안, 노인의 활동 여부를 확인하는 케어/헬스케어 모니터링, 사람이 있을 때만 불과 난방을 켜는 스마트 홈 자동화 및 에너지 절감 등이 있습니다. MQTT를 통해 각 방의 센서 상태를 Home Assistant로 전달하기 때문에, 방별 점유 여부를 따로 보거나 전체 집의 재실 여부를 센서 그룹으로 구성해 자동화를 쉽게 만들 수 있습니다.  

설치 난이도는 ESP-IDF 환경 설정과 펌웨어 플래싱을 할 수 있을 정도의 기초적인 커맨드라인 사용 능력이 있으면 도전 가능한 수준입니다. 저장소의 SETUP.md와 CALIBRATION.md를 따라가며 설치와 보정 과정을 진행하면 되고, 센서는 보통 공유기와 38m 거리, 높이 11.5m 정도의 책상·선반 위에 두는 것이 권장됩니다.  

마지막으로, ESPectre는 연구·교육용 실험 프로젝트로, 저자는 오남용이나 법적 문제에 대한 책임을 지지 않는다는 점이 명시되어 있습니다. 실제 집이나 사무실에 적용할 때는 현지 법규와 프라이버시 이슈를 꼭 확인하고, 안전하고 책임감 있게 사용하는 것이 중요합니다.

https://github.com/francescopace/espectre

btop은 CPU, 메모리, 디스크, 네트워크, GPU 사용량 등을 한눈에 볼 수 있는 고성능 터미널 기반 모니터링 툴입니다.

C++로 작성되어 뛰어난 성능과 반응 속도를 자랑하며, 다양한 테마와 직관적인 UI를 제공합니다.

Linux, macOS, FreeBSD 등 여러 플랫폼에서 사용 가능하며, 최신 버전(v1.4.0)은 Intel GPU 지원을 추가했습니다.

https://github.com/aristocratos/btop

Pogocache는 초저지연과 CPU 효율성에 중점을 둔 오픈소스 캐싱 소프트웨어입니다.

Memcache, Redis, Dragonfly보다 빠르며, 단일 스레드부터 멀티코어 환경까지 탁월한 성능을 제공합니다.

HTTP, Memcache, Redis, Postgres 프로토콜을 지원하며, 독립 실행형 서버 또는 C 코드로 내장할 수도 있습니다.

간단한 명령(make, ./pogocache)으로 빌드 및 실행이 가능하며 Docker 이미지도 제공합니다.

https://github.com/pogocache/pogocache

OpenMaxIO Object Browser는 MinIO Object Storage를 기반으로 한 포크 버전의 웹 UI입니다.

이 프로젝트는 MinIO 환경에서 오브젝트 관리, 정책 설정, SSO 통합 등 다양한 기능을 보다 직관적인 인터페이스로 제공합니다.

설치는 간단히 git clone 후 yarn build, make console 명령으로 진행할 수 있으며, 기존 MinIO 서버에 바로 연결할 수도 있습니다.

AGPL-3.0 라이선스로 공개되어 있으며, 개발자와 기업 모두 자유롭게 커스터마이징이 가능합니다.

👉 GitHub: OpenMaxIO/openmaxio-object-browser

Docling은 다양한 문서 형식을 쉽게 처리하고, 생성형 AI와 연동할 수 있도록 돕는 오픈소스 프로젝트입니다. PDF, DOCX, PPTX, XLSX, HTML뿐만 아니라 이미지와 오디오 파일까지 지원하며, 고급 PDF 분석 기능을 통해 표, 코드, 수식, 레이아웃까지 이해할 수 있습니다.

또한 문서를 Markdown, HTML, JSON 등 여러 형식으로 변환할 수 있으며, LangChain, LlamaIndex, Haystack 같은 AI 프레임워크와도 손쉽게 통합할 수 있습니다. 로컬 실행도 가능해 보안이 중요한 환경에서도 활용할 수 있다는 점이 특징입니다.

https://github.com/docling-project/docling

peRAG는 프로덕션 환경에서도 안정적으로 사용할 수 있는 RAG(Retrieval-Augmented Generation) 플랫폼입니다. 그래프 기반 RAG, 벡터 검색, 풀텍스트 검색을 결합하여 지능형 AI 애플리케이션을 구축할 수 있습니다.

주요 특징은 다음과 같습니다:

• 멀티모달 문서 처리 지원
• AI 에이전트를 통한 지능적 검색과 추론
• MCP(Model Context Protocol) 연동으로 지식 베이스와 직접 상호작용
• 쿠버네티스 배포를 통한 확장성과 안정성

간단히 Docker Compose로 실행할 수 있으며, 웹 인터페이스와 API 문서를 바로 확인할 수 있습니다.

https://rag.apecloud.com/

ScreenCoder는 UI 스크린샷이나 디자인 모형을 분석해 깨끗하고 생산성 높은 HTML/CSS 코드로 자동 변환해주는 오픈소스 프로젝트입니다  .

이 시스템은 세 단계 모듈형 구조로 구성되어 있습니다:
• Grounding Agent (시각 인식 엔진): VLM 기반으로 화면의 버튼, 네비게이션, 텍스트 박스 등 UI 요소를 감지하고 라벨링합니다   .
• Planning Agent (레이아웃 계획 엔진): 감지된 요소를 바탕으로 계층적 레이아웃 구조를 생성하고 CSS Grid 또는 Tailwind 스타일 레이아웃으로 변환합니다  .
• Generation Agent (코드 생성 엔진): adaptive prompt 기반으로 HTML/CSS 코드를 생성하여 디자인을 재현하며, 구조화되고 확장 가능하게 구성됩니다  .

또한 ScreenCoder는 자체적으로 대규모 이미지‑코드 쌍 합성 엔진을 갖추고 있어, 사전 훈련된 VLM을 지도 학습 및 강화 학습 방식으로 미세조정해 코드 품질과 UI 이해도를 크게 향상시킵니다  

https://github.com/leigest519/ScreenCoder

Cactus는 스마트폰·스마트워치 같은 모바일 기기에서 LLM/VLM/TTS 등 다양한 AI 모델을 로컬(오프라인)으로 구동할 수 있게 해주는 오픈소스 프레임워크입니다. Flutter, React-Native, C/C++ 등 여러 플랫폼을 지원하며, GGUF 포맷을 사용하는 최신 오픈소스 모델들을 즉시 가져다 쓸 수 있는 것이 특징입니다  .

주요 기능

• 다중 모달 지원: 텍스트 완성, 이미지 인식, 음성 합성 등 다양한 AI 기능 탑재  .
• 경량화 및 양자화 대응: FP32부터 2-bit 양자화 모델까지 효율적으로 처리  .
• 클라우드 백업 옵션: 기기에서 실패 시 원격 API로 대체 실행을 선택할 수 있음 .
• 일관된 API 제공: Flutter, React-Native, C/C++에서 동일한 사용법으로 호출 가능

https://github.com/cactus-compute/cactus