모델 불러오기

저번 시간까지 딥러닝 모델을 만들고 h5 파일로 저장했다.
먼저 저장한 모델을 사용할 수 있도록 flask app에 불러와야한다.
머신러닝 모델링을 불러올 땐 pickle을 이용했는데, keras 모델의 경우 h5를 이용한다.

라이브러리 불러오기

from flask import Flask, render_template, request
from keras.preprocessing.image import img_to_array
from keras.models import load_model
from PIL import Image
import io

app.py

# export model
model = load_model('data/h5/model.h5')

@app.route('/', methods=['GET', 'POST'])
def index():
    if request.method == 'GET':
        
        return render_template('index.html')

    if request.method == 'POST':
        img = request.files["file"].read()
        img = Image.open(io.BytesIO(img))
        img = img.resize((256, 256))
        img = img_to_array(img)
        img = img.reshape((1, img.shape[0], img.shape[1], img.shape[2]))
        pred = model_for_man.predict(img)
        label = pred.argmax()

        return render_template("index.html", label=label)

일단 app.py는 간단히 위와 같이 구성했다.
사용자가 이미지 파일을 submit하면 PIL형태로 읽어와 모델에 알맞게 사이즈를 변경하고 예측을 진행한다.
마지막엔 라벨 형태로 제공되는데, 알맞게 변경해줄 것이다.

index.html

    <form method="post" action="/" enctype="multipart/form-data">
        <dl>
            <p>
                <input type="file" name="file" autocomplete="off" required>
            </p>
        </dl>
        <p>
            <input type="submit" value="Submit">
        </p>
    </form>

index.html은 위와 같이 설정해준다.

테스트

일단 못생긴 이 파일 업로드 form에,

파일을 선택하여,

submit하면 결과가 나온다!

일단 기본적인 기능을 하는 틀은 완성했다.
이제 어여쁜 템플릿을 골라 추가하여 적당히 꾸미고, 라벨을 수정하여 사용자에게 보여줄 어떤 스타일인지와 간략한 설명도 추가해야한다.(할일이 태산…)
그럼 완성시키고 오겠다.
완성시키고 왔다.
메인 페이지에서,

사진을 올리고 성별을 선택하고 Predict를 누르면, (내 사진으로 테스트해본다.)

이렇게 분석을 해준다!

(근데 이게 포멀 클래식이 맞나… 후… 넘어가자…)
아무래도 predict 시간이 좀 걸리는데, 로딩 페이지도 조만간 구현해야겠다.
일단 구경하러 가봅시다. FASI 바로가기
flask 앱을 완성하고 heroku에 배포까지 하였다.
일단 수많은 오류에 부딪혔는데, 생각나는 것 위주로 써내려가겠다.

트러블슈팅

convert RGB

사진마다 scale이 다른 문제가 있었다.
모델은 RGB를 사용해서 마지막 shape이 3인데 다른 경우 오류가 났다.
PIL을 이용하여 모든 이미지가 RGB로 변경되게끔 설계했다.

pred_img = Image.open(io.BytesIO(pred_img)).convert("RGB")

heroku memory

배포에서 문제가 있었다.
heroku의 메모리 용량은 500mb인데, 내 앱의 총 용량이 800mb인 것…
딥러닝 모델 자체가 각각 100mb라서 그거부터가 반을 차지해버린다는게 굉장히 골치였다.
아쉽지만 일단 heroku 배포가 목적이니 하나로 통일해야만 했다.
또, tensorflow의 용량을 줄이는 방법이 있었다.
tensorflow의 용량이 394mb나 되는데, 어차피 heroku에서는 cpu mode로만 돌아간다고 한다.
그래서 requirements의 tf를 tensorflow-cpu==2.7.0로 설치하게끔 했다.

기타

행동 데이터 수집

저번 데이터 엔지니어링 프로젝트에서 하지 못했던 이용자의 데이터를 축적하는 테스크를 진행하고 싶었다.
예측에 쓰이는 이미지를 AWS S3에 적재해보고자 한다.
flask에서 post 요청으로 받은 이미지를 boto3를 활용하여 저장시킨다.

import boto3

AWS_ACCESS_KEY = "your key"
AWS_SECRET_KEY = "your key"
BUCKET_NAME = "your bucket name"

s3 = boto3.client('s3',
        aws_access_key_id = AWS_ACCESS_KEY,
        aws_secret_access_key = AWS_SECRET_KEY)

Access, Secret Key 발급 참고
boto3.client를 이용하여 s3에 접근한다.

.
.
img = request.files["file"]
upload_img(img)
.
.

def upload_img(image):
    image.seek(0) # s3 저장에 필요
    s3.put_object(
        Bucket = BUCKET_NAME, # 버킷 이름
        Body = image, # 업로드 파일
        Key = 'image/{}'.format(image.filename), # 저장 위치 및 이름 지정
        ContentType = image.content_type) # 이미지 타입

s3로 보낼 수 있는 함수를 생성했다.

이미지를 예측에 사용할 때 마다 s3에 저장되는 것을 볼 수 있다.