Flask로 배포하기¶
이 레시피에서는 다음과 같은 내용들을 학습합니다:
학습한 PyTorch 모델을 Flask 컨테이너로 감싸고 웹 API로 노출하는 방법
웹 요청(request)을 모델에 입력하기 위해 PyTorch 텐서(tensor)로 변환하는 방법
모델의 결과를 HTTP 응답(response)로 패키징하는 방법
필요사항¶
아래와 같은 패키지들(과 의존성이 있는 패키지들)이 설치된 Python 3 환경이 필요합니다:
PyTorch 1.5
TorchVision 0.6.0
Flask 1.1
선택 사항으로, 일부 예제 파일들(supporting files)을 받기 위해서 git이 필요합니다.
PyTorch와 TorchVision 설치방법은 pytorch.org 에서 확인하실 수 있습니다. Flask 설치 방법은 Flask 설치 문서 에서 확인하실 수 있습니다.
Flask란?¶
Flask는 Python으로 작성된 가벼운 웹 서버입니다. 학습한 PyTorch 모델의 예측을 위한 웹 API를 편리하게 작성하여, 직접 사용하거나 더 큰 시스템에 포함된 웹 서비스를 만들 수 있습니다.
설치 및 예제 파일¶
이미지를 받아서 ImageNet 데이터셋의 1000개 클래스(class) 중 하나로 예측(map)하는 웹 서비스를 만들려고 합니다. 이를 위해 테스트할 이미지 파일들이 필요합니다. 선택 사항으로, 모델이 예측한 클래스 번호(index)를 사람이 읽을 수 있는 클래스 이름으로 바꾸기 위한 파일을 받을 수도 있습니다.
옵션 1: 예제 파일 모두를 빠르게 받기¶
TorchServe 저장소에 체크아웃하여 예제 파일 모두를 가져오고(pull), 작업 폴더로 복사할 수 있습니다. (안내: 이 튜토리얼은 TorchServe에 어떠한 의존성도 갖지 않습니다. - 단순히 빠르게 파일들을 가져오기 위한 방법입니다) 아래 명령을 쉘에서 실행하세요:
git clone https://github.com/pytorch/serve
cp serve/examples/image_classifier/kitten.jpg .
cp serve/examples/image_classifier/index_to_name.json .
이제 파일들을 받았습니다!
옵션 2: 이미지 직접 가져오기¶
index_to_name.json 파일은 아래 Flask 서비스에서 선택 사항입니다.
직접 가져온 이미지(물론 3색 JPEG 이미지여야 합니다)도 테스트를 할 수 있습니다.
Flask 서비스 구축하기¶
Flask 서비스를 구성하는 전체 Python 스크립트는 이 레시피의 끝 부분에 있습니다;
app.py 파일에 복사해서 붙여넣을 수 있습니다.
아래에서 각각의 기능들을 명확히 살펴보기 위해 각 섹션별로 살펴보겠습니다.
Import¶
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image
from flask import Flask, jsonify, request
순서대로:
미리 학습된 DenseNet을
torchvision.models에서 가져와서 사용할 것입니다.torchvision.transforms에는 이미지 데이터를 다룰 도구들이 포함되어 있습니다.Pillow (
PIL) 는 이미지 파일을 처음 불러올 때 사용할 것입니다.물론
flask의 클래스들도 필요합니다.
전처리(Pre-Processing)¶
def transform_image(infile):
input_transforms = [transforms.Resize(255),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406],
[0.229, 0.224, 0.225])]
my_transforms = transforms.Compose(input_transforms)
image = Image.open(infile)
timg = my_transforms(image)
timg.unsqueeze_(0)
return timg
웹 요청으로 이미지 파일을 받지만, 모델은 (N, 3, 224, 224) 모양(shape)의 PyTorch 텐서가
필요합니다. 여기서 N 은 입력 배치(input batch)의 항목의 개수입니다. (배치의 크기는 1입니다.)
먼저 이미지의 크기를 조정(resize)하고 자르고, 텐서로 변환한 뒤, 정규화(normalization)하는
TorchVision transforms(변환) 세트를 구성합니다. (정규화에 대한 자세한 내용은
torchvision.models_ 문서를 참고하세요.)
그런 다음, 파일을 열고 (위에서 구성한) 변환들을 적용합니다. 결과로는
3개의 컬러채널을 갖는 244x244 크기의 이미지므로 (3, 224, 224) 모양으로 반환됩니다.
이 하나의 이미지를 배치로 만들어야 하므로, unsqueeze_(0) 을 사용하여
텐서에 첫번째 차원을 추가해줍니다. 텐서는 같은 데이터를 갖지만 모양(shape)이
(1, 3, 224, 224)이 되었습니다.
일반적으로 이미지 데이터에 작업을 하지 않더라도, HTTP 요청(request)으로 받은 입력을 PyTorch에서 사용할 수 있도록 텐서로 변환해야 합니다.
추론(Inference)¶
def get_prediction(input_tensor):
outputs = model.forward(input_tensor)
_, y_hat = outputs.max(1)
prediction = y_hat.item()
return prediction
추론 자체는 가장 간단한 부분입니다: 입력 텐서를 모델에 전달하면, 모델은 이미지가
특정 클래스에 속할 것으로 추정하는 가능성(likelihood)을 나타내는 값들의 텐서를
반환합니다. max() 를 호출하여 가장 가능성이 높은 클래스를 찾고, ImageNet 클래스
번호(index)에 해당하는 값을 반환합니다. 마지막으로, item() 을 호출하여 텐서에
포함된 클래스 번호(index)를 추출하여 반환합니다.
후처리(Post-Processing)¶
def render_prediction(prediction_idx):
stridx = str(prediction_idx)
class_name = 'Unknown'
if img_class_map is not None:
if stridx in img_class_map is not None:
class_name = img_class_map[stridx][1]
return prediction_idx, class_name
render_prediction() 메소드(method)는 예측된 클래스 번호(index)를 사람이 읽을 수 있는
클래스 라벨(label)에 매핑합니다. 모델에서 예측 값을 얻은 후에는 후처리를 수행하여
사람이 소비하거나 다른 소프트웨어에서 사용할 수 있도록 준비하는 것이 일반적입니다.
전체 Flask App 실행¶
아래 내용을 app.py 파일에 붙여넣습니다:
import io
import json
import os
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image
from flask import Flask, jsonify, request
app = Flask(__name__)
model = models.densenet121(pretrained=True) # ImageNet의 1000개 클래스를 학습
model.eval() # autograd 끄기
img_class_map = None
mapping_file_path = 'index_to_name.json' # 사람이 읽을 수 있는 ImageNet 클래스 이름
if os.path.isfile(mapping_file_path):
with open (mapping_file_path) as f:
img_class_map = json.load(f)
# Transform input into the form our model expects
def transform_image(infile):
input_transforms = [transforms.Resize(255), # 이미지 준비를 위해 여러 TorchVision transforms 사용
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], # ImageNet 모델 입력에 대한 표준 정규화
[0.229, 0.224, 0.225])]
my_transforms = transforms.Compose(input_transforms)
image = Image.open(infile) # 이미지 파일 열기
timg = my_transforms(image) # PIL 이미지를 적절한 모양의 PyTorch 텐서로 변환
timg.unsqueeze_(0) # PyTorch 모델은 배치 입력을 예상하므로 1짜리 배치를 만듦
return timg
# Get a prediction
def get_prediction(input_tensor):
outputs = model.forward(input_tensor) # 모든 ImageNet 클래스에 대한 가능성(likelihood) 얻기
_, y_hat = outputs.max(1) # 가장 가능성 높은 클래스 추출
prediction = y_hat.item() # PyTorch 텐서에서 int 값 추출
return prediction
# Make the prediction human-readable
def render_prediction(prediction_idx):
stridx = str(prediction_idx)
class_name = 'Unknown'
if img_class_map is not None:
if stridx in img_class_map is not None:
class_name = img_class_map[stridx][1]
return prediction_idx, class_name
@app.route('/', methods=['GET'])
def root():
return jsonify({'msg' : 'Try POSTing to the /predict endpoint with an RGB image attachment'})
@app.route('/predict', methods=['POST'])
def predict():
if request.method == 'POST':
file = request.files['file']
if file is not None:
input_tensor = transform_image(file)
prediction_idx = get_prediction(input_tensor)
class_id, class_name = render_prediction(prediction_idx)
return jsonify({'class_id': class_id, 'class_name': class_name})
if __name__ == '__main__':
app.run()
다음 명령어를 실행하여 서버를 시작합니다:
FLASK_APP=app.py flask run
기본적으로 5000번 포트에서 수신 대기(listen)합니다. 서버를 실행하고 나면, 다른 터미널 창을 열어서 추론 서버(inference server)를 테스트해보세요:
curl -X POST -H "Content-Type: multipart/form-data" http://localhost:5000/predict -F "[email protected]"
모든 것들이 제대로 설정되었다면, 아래와 비슷한 응답(response)을 받을 것입니다:
{"class_id":285,"class_name":"Egyptian_cat"}
중요한 자료¶
설치 방법과 더 많은 문서, 튜토리얼을 보시려면 pytorch.org
Flask 사이트 에는 간단한 Flask 서비스를 설정에 대한 자세한 내용이 포함된 빠른 시작 가이드(Quickstart guide) 가 있습니다.