Streamlit : 이미지 분류 및 데이터 시각화 앱 만들기 (Mac 환경)

1. 개발 환경 설정

Python 및 Streamlit 설치

1. Python 설치: Python 3.8 이상이 필요합니다. Mac에서 Python이 설치되어 있지 않다면, Python 공식 웹사이트에서 다운로드
2. 가상 환경 생성:

   python3 -m venv streamlit_env
   source streamlit_env/bin/activate

3. 필요한 라이브러리 설치:

   pip install streamlit pandas numpy matplotlib tensorflow_hub pillow

Streamlit 설치 확인

Streamlit이 올바르게 설치되었는지 확인하려면 다음 명령을 실행

streamlit hello

브라우저에 Streamlit 데모 앱이 열리면 성공적으로 설치된 것입니다.

2. Streamlit 앱 코드 작성

아래 코드는 이미지 분류와 데이터 시각화를 포함한 Streamlit 애플리케이션입니다.

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow_hub as hub
from PIL import Image

# 앱 제목 및 설명
st.title("이미지 분류 및 데이터 시각화 앱")
st.write("이 앱은 업로드된 이미지를 분류하고 데이터를 시각화합니다.")

# 이미지 업로드 및 분류
uploaded_file = st.file_uploader("이미지를 업로드하세요", type=["jpg", "png", "jpeg"])
if uploaded_file is not None:
    image = Image.open(uploaded_file)
    st.image(image, caption="업로드된 이미지", use_column_width=True)
    st.write("이미지를 분류 중입니다...")

    # TensorFlow Hub에서 사전 학습된 모델 로드
    model = hub.load("https://tfhub.dev/google/imagenet/mobilenet_v2_100_224/classification/5")
    image = image.resize((224, 224))
    image_array = np.array(image) / 255.0  # 정규화
    image_array = np.expand_dims(image_array, axis=0)

    predictions = model(image_array)
    st.write("분류 결과:", predictions.numpy())

# 데이터 시각화
st.header("데이터 시각화")
data = pd.DataFrame(
    np.random.randn(100, 3),
    columns=['특성 A', '특성 B', '특성 C']
)
st.line_chart(data)

# 사이드바 예제
st.sidebar.header("사이드바 설정")
range_slider = st.sidebar.slider("값 범위 선택", 0, 100, (25, 75))
st.sidebar.write(f"선택된 범위: {range_slider}")

3. 코드 저장

위 코드를 image_classification_app.py라는 이름으로 저장하세요:

nano image_classification_app.py

4. 앱 실행

1. 디렉토리 이동:

   cd /path/to/your/directory

2. Streamlit 앱 실행:

   streamlit run image_classification_app.py

   브라우저에서 http://localhost:8501로 이동하여 앱을 확인합니다.

5. 주요 기능 설명

• A. 이미지 업로드 및 분류: 사용자가 이미지를 업로드하면 TensorFlow Hub의 사전 학습된 MobileNet V2 모델을 사용하여 이미지를 분류합니다.
• B. 데이터 시각화: 무작위로 생성된 데이터를 Pandas DataFrame으로 변환하고 이를 라인 차트로 시각화합니다.
• C. 사이드바: 사이드바에 슬라이더를 추가하여 사용자 입력을 받을 수 있습니다.

6. 실행 결과

앱 실행 후 다음과 같은 기능을 테스트할 수 있습니다:

• 이미지를 업로드하고 분류 결과를 확인합니다.
• 데이터가 라인 차트로 표시되는 것을 봅니다.
• 사이드바 슬라이더를 조작하여 선택된 범위를 변경합니다.

7. 추가 팁

• TensorFlow Hub 모델 외에도 다양한 사전 학습 모델을 사용할 수 있습니다.
• @st.cache 데코레이터를 활용해 데이터 로딩 속도를 최적화할 수 있습니다.
• Streamlit Cloud를 사용해 앱을 쉽게 배포할 수 있습니다.

Python Backend와 ASGI 서버 구축: Uvicorn, Gunicorn, FastAPI, Vibora

 Python으로 백엔드 개발을 시작하거나 ASGI(Asynchronous Server Gateway Interface) 환경을 구축하려는 개발자를 위해 WSGI와 ASGI의 차이, ASGI 서버 구성 방법, 그리고 FastAPI를 활용한 API 개발을 중심으로 정리했습니다. 

1. Backend 구성: WSGI와 ASGI

1.1 웹 서버(Web Server)

웹 서버는 크게 두 가지 역할을 합니다:

1. 정적 요청 처리: HTML, CSS, 이미지 등 정적 파일을 클라이언트에 제공.
2. 동적 요청 전달: Reverse Proxy를 통해 어플리케이션 서버로 동적 요청 전달(로드 밸런싱 포함).

주요 웹 서버

• Nginx: 고성능 HTTP 및 Reverse Proxy 서버.
• Apache: 가장 널리 사용되는 HTTP 서버.
• Caddy: Go로 개발된 간단한 자동 HTTPS 지원 웹 서버.

웹 서버는 어플리케이션 서버와 TCP 또는 Unix Socket으로 연결하여 성능을 최적화할 수 있습니다.

1.2 WSGI와 ASGI

WSGI(Web Server Gateway Interface)

• Python의 동기 웹 애플리케이션과 웹 서버 간의 표준 인터페이스.
• Flask, Django 등 기존의 동기 기반 프레임워크에서 사용.

ASGI(Asynchronous Server Gateway Interface)

• WSGI의 계승자로, 비동기 Python 웹 애플리케이션과 웹 서버 간의 표준 인터페이스.
• WebSocket, HTTP/2, 비동기 작업 등을 지원.
• 동기 및 비동기 앱 모두를 처리 가능.

WSGI와 ASGI의 차이

특징	WSGI	ASGI
동시성 모델	동기	비동기
WebSocket 지원	X	O
HTTP/2 지원	X	O
배경 작업 및 장시간 연결	제한적	O

1.3 Gunicorn과 Uvicorn의 역할

아키텍처에서 Gunicorn과 Uvicorn은 다음과 같은 역할을 수행합니다:

1. Gunicorn (WSGI/ASGI 프로세스 매니저):
   • Master 프로세스를 실행하고 여러 Worker 프로세스를 관리.
   • Worker로 Uvicorn을 실행하여 멀티 워커 환경 구성 가능.
2. Uvicorn (ASGI 서버):
   • 단일 워커로 작동하며 비동기 처리를 담당.
   • Gunicorn과 함께 사용하면 안정적인 멀티 워커 환경을 제공.

2. FastAPI: 현대적인 고성능 API 프레임워크

2.1 FastAPI란?

FastAPI는 Python 3.6+를 기반으로 한 현대적이고 고성능의 API 프레임워크입니다. Starlette(ASGI 툴킷)과 Pydantic(데이터 검증 및 설정 관리)을 기반으로 하며, Node.js나 Go에 필적하는 성능을 제공합니다.

주요 특징

• 자동화된 문서화: Swagger UI 및 ReDoc 지원.
• Python 타입 힌트 기반: 코드 가독성과 유지보수성 향상.
• 고성능: Uvicorn + Starlette 조합으로 높은 처리량 제공.

2.2 FastAPI 개발환경 구성

1) 가상환경 생성 및 패키지 설치

bash
conda create -n web python=3.9
conda install poetry
poetry new hello-api
poetry add fastapi 'uvicorn[standard]'

2) 예제 API 작성

./hello_api/main.py 파일에 아래 코드를 작성합니다:

python
from typing import Optional
from fastapi import FastAPI

app = FastAPI()

@app.get("/")
def read_root():
    return {"Hello": "World"}

@app.get("/items/{item_id}")
def read_item(item_id: int, q: Optional[str] = None):
    return {"item_id": item_id, "q": q}

3) Uvicorn 실행

bash
uvicorn hello_api.main:app --reload

웹 브라우저에서 http://127.0.0.1:8000/docs에 접속하면 Swagger UI를 통해 API 문서를 확인할 수 있습니다.

2.3 Docker로 FastAPI 배포하기

Dockerfile 작성

text
FROM python:3.9-slim as requirements-stage
WORKDIR /tmp
RUN pip install poetry
COPY ./pyproject.toml ./poetry.lock* /tmp/
RUN poetry export -f requirements.txt --output requirements.txt --without-hashes

FROM python:3.9-slim
WORKDIR /code
COPY --from=requirements-stage /tmp/requirements.txt /code/requirements.txt
RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
COPY ./app /code/app
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "80"]

3. Uvicorn과 uvloop

3.1 uvloop이란?

uvloop은 Python의 기본 asyncio 이벤트 루프를 대체하는 라이브러리로, libuv 기반으로 구현되었습니다. Cython으로 작성되어 매우 높은 성능을 제공합니다.

uvloop 설정 방법

python
import asyncio
import uvloop

asyncio.set_event_loop_policy(uvloop.EventLoopPolicy())

4. Vibora: Flask 스타일의 고속 비동기 프레임워크

Vibora는 Flask와 유사한 API를 제공하며, 자체 HTTP 서버를 내장한 고속 비동기 프레임워크입니다.

주요 특징:

• uvloop와 C 확장을 활용하여 높은 성능 제공.
• Gunicorn이나 Nginx 없이도 멀티 코어 활용 가능.
• WebSocket 및 비동기 작업 지원.

한계:

• 현재 알파(Alpha) 단계로 안정성이 부족할 수 있음.
• 공식 문서와 커뮤니티 지원이 제한적.

5. ASGI 서버 구성 전략

단일 워커 vs 멀티 워커

전략	설명
단일 워커	컨테이너 오케스트레이터(Kubernetes 등) 환경에서 적합하며 간단한 테스트 환경에 유용함.
멀티 워커	Gunicorn + Uvicorn 조합으로 안정성과 확장성을 제공하며 고부하 환경에서 적합함.

검증된 내용 요약

1. ASGI 표준
   • 공식 문서에서 ASGI는 WSGI의 계승자로 정의되며 WebSocket 및 HTTP/2 같은 현대적인 요구사항을 충족합니다.
2. Uvicorn + Gunicorn
   • Uvicorn은 단일 워커로 빠르고 가볍게 동작하며, Gunicorn과 결합하면 멀티 프로세스 환경에서도 안정적으로 작동합니다.
3. uvloop
   • MagicStack/uvloop GitHub 리포지토리에서 성능 비교 결과 asyncio 기본 루프보다 훨씬 빠르다고 명시되어 있습니다.
4. FastAPI
   • FastAPI 공식 문서에서 Node.js 및 Go에 필적하는 성능을 제공한다고 언급되었으며, 이는 Starlette와 Pydantic 덕분입니다.
5. Vibora
   • Vibora는 높은 성능을 목표로 하지만 알파 단계이며 실험적인 프로젝트에 적합합니다(공식 GitHub README 참조).

6. 정리 및 추천

Python 백엔드 개발에서 ASGI는 현대적인 비동기 요구사항(WebSocket, HTTP/2 등)을 충족하기 위한 표준입니다.

1. Uvicorn + Gunicorn 조합
   • 안정적이고 확장 가능한 멀티 워커 환경 제공.
   • Kubernetes 같은 컨테이너 오케스트레이터에서도 잘 작동.
2. FastAPI
   • 빠르고 현대적인 API 개발에 적합.
   • 자동화된 문서화와 Python 타입 힌트를 활용한 높은 생산성 제공.
3. uvloop
   • asyncio 이벤트 루프를 대체하여 성능 향상.
4. Vibora
   • 실험적인 프로젝트나 초고속 처리가 필요한 경우 고려 가능.

Python 백엔드 아키텍처는 다양한 도구와 프레임워크를 통해 유연하게 구성할 수 있습니다.