Flask(플라스크) 활용한_머신러닝_웹서비스구축

Flask(플라스크) 활용한 머신러닝 웹 서비스 구축

학습 목표

가. Flask를 활용한 머신러닝 웹 서비스를 구현할 수 있다.

학습 내용

conda create -n flask_ml python=3.8
conda activate flask_ml

나. 필수 라이브러리 설치

[방법1] requirements.txt 가 있을 경우,

pip install -r requirements.txt

pip install flask==2.1.3  Jinja2
pip install scikit-learn
pip install numpy==1.23.1
pip install virtualenv
pip install pillow
pip install seaborn
pip install imageio
pip install opencv-python
pip install pandas

[리스트 확인]

conda list

(flask_ml) C:\Users\totofriend>conda list

# packages in environment at C:\Users\totofriend\anaconda3\envs\flask_ml:

# Name Version Build Channel

ca-certificates 2022.07.19 haa95532_0

certifi 2022.9.24 py38haa95532_0

click 8.1.3 pypi_0 pypi

colorama 0.4.5 pypi_0 pypi

contourpy 1.0.5 pypi_0 pypi

cycler 0.11.0 pypi_0 pypi

distlib 0.3.6 pypi_0 pypi

filelock 3.8.0 pypi_0 pypi

flask 2.1.3 pypi_0 pypi

fonttools 4.37.4 pypi_0 pypi

imageio 2.22.1 pypi_0 pypi

importlib-metadata 5.0.0 pypi_0 pypi

itsdangerous 2.1.2 pypi_0 pypi

jinja2 3.1.2 pypi_0 pypi

joblib 1.2.0 pypi_0 pypi

kiwisolver 1.4.4 pypi_0 pypi

markupsafe 2.1.1 pypi_0 pypi

matplotlib 3.6.1 pypi_0 pypi

numpy 1.23.1 pypi_0 pypi

opencv-python 4.6.0.66 pypi_0 pypi

openssl 1.1.1q h2bbff1b_0

packaging 21.3 pypi_0 pypi

pandas 1.5.0 pypi_0 pypi

pillow 9.2.0 pypi_0 pypi

pip 22.2.2 py38haa95532_0

platformdirs 2.5.2 pypi_0 pypi

pyparsing 3.0.9 pypi_0 pypi

python 3.8.13 h6244533_0

python-dateutil 2.8.2 pypi_0 pypi

pytz 2022.4 pypi_0 pypi

scikit-learn 1.1.2 pypi_0 pypi

scipy 1.9.2 pypi_0 pypi

seaborn 0.12.0 pypi_0 pypi

setuptools 63.4.1 py38haa95532_0

six 1.16.0 pypi_0 pypi

sqlite 3.39.3 h2bbff1b_0

threadpoolctl 3.1.0 pypi_0 pypi

vc 14.2 h21ff451_1

virtualenv 20.16.5 pypi_0 pypi

vs2015_runtime 14.27.29016 h5e58377_2

werkzeug 2.2.2 pypi_0 pypi

wheel 0.37.1 pyhd3eb1b0_0

wincertstore 0.2 py38haa95532_2

zipp 3.9.0 pypi_0 pyp

다. 전체 폴더 구조

[리스트 확인]

----[폴더명] 
    ----- [폴더] model
    ----- [폴더] static
    ----- [폴더] templates
    ----- iris.py
    ----- flask_app.py

iris.py : 파일을 불러오고, 실제 모델 구축 후, 이를 pickle 파일로 저장한다.

flask_app.py : iris.py에서 생성한 pickle파일을 불러온다. Flask App을 띄운다.

----- [폴더] model : 학습된 모델 저장할 폴더

(예) iris_knn.pkl

----- [폴더] static : 참조할 이미지 폴더. 이곳에서 이미지를 불러와 웹에서 보여주게 된다.

(예) flower_iris.jpg, iris_setosa.jpg, iris_versicolor.jpg, iris_virginica.jpg

----- [폴더] templates : 첫 웹 페이지와 데이터 입력 후, 실행될 웹 html 파일 저장 폴더

home.html

after.html

라. iris.py 소스 코드

import time
import pickle
import seaborn as sns
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier


start_time = time.time()


# 01 데이터 불러오기
df = sns.load_dataset("iris")
print( df.shape )
print( df.columns )
print( df.head() )


sel = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']


# 02 라벨 인코딩(Label Encoding)
le = LabelEncoder()
y_lbl = le.fit_transform(df['species'])


# 03 데이터 나누기 - 입력, 출력
X = df[sel]
y = y_lbl


X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                    test_size=0.2, random_state=77)


# 04 모델 구축 및 학습, 모델 저장
knn = KNeighborsClassifier().fit(X_train, y_train)
print(knn.score(X_test, y_test))
pickle.dump(knn, open('./model/iris_knn.pkl', 'wb'))


print("시간 (초): ", time.time() - start_time )

마. flask_app 소스 코드

from flask import Flask, render_template, request
import pickle
import numpy as np


# 01 학습된 모델 가져오기
model = pickle.load(open('./model/iris_knn.pkl', 'rb'))


# 02 플라스크 사용을 위한 준비
app = Flask(__name__)


# 03 플라스크 앱의 루트 디렉터리를 초기화
@app.route('/')
def main():
    return render_template('start.html')


# 04 초기 웹 페이지에서 submit 했을 때 실행
# request.form['']을 사용하여 HTML 페이지에서 입력한 데이터를 가져온다.
# model.predict()를 통해 클래스를 예측한다.
# 예측값에 따라 어떤 텍스트와 이미지를 보낼지, after.html에 설정.
@app.route('/predict', methods=['POST'])
def home():
    val1 = request.form['a']
    val2 = request.form['b']
    val3 = request.form['c']
    val4 = request.form['d']
  val1 = float(val1); val2 = float(val2); val3 = float(val3); val4 = float(val4);
    arr = np.array([[val1, val2, val3, val4]])
    pred = model.predict(arr)


    # 렌더링할 html 파일명, 전달할 변수
    return render_template('after.html', data=pred)


# 05 직접 실행된 경우, 앱을 디버그 on 모드로 실행
if __name__ == "__main__":
    app.run(debug=True)

사. start.html 소스 코드

<html>
    <body bgcolor=#d4a3ae>
        <center>
        <h1> IRIS Species Predict </h1>

        <form method="POST", action="{{url_for('home')}}">
           <b> sepal_length(cm) :  <input type="text", name='a', placeholder="enter 1">

            sepal_width(cm) :  <input type="text", name='b', placeholder="enter 2">

            petal_length(cm) :  <input type="text", name='c', placeholder="enter 3">

            petal_width(cm) : <input type="text", name='d', placeholder="enter 4">


</b>
            <input type="submit" , value='predict!' >
        </form>
        <img src='static\iris_flower2.png' alt="flower" width="500" height="400">
    </center>
    </body>
</html>

아. after.html 소스 코드

<html>
<body bgcolor=#a3cfb4>
    <center>
        <h1>  PREDICTION :  </h1>
    {%if data == 0%}
    <h1>Iris-setosa</h1>  
    <img src='static\iris_setosa.jpg'>  
    {%endif%}


    {%if data == 1%}
    <h1>Iris-versicolor</h1>
    <img src='static\iris_versicolor.jpg'>
    {%endif%}


    {%if data == 2%}
    <h1>Iris-virginica</h1>
    <img src='static\iris_virginica.jpg'>
    {%endif%}
        

    <a href='/'>go back to home page</a>
    </center>
</body>
</html>

flask에서 if 문을 사용

{%if   (조건식)  %}
--
{%endif%}

{%if   (조건식)  %}
--
{%endif%}

{%if   (조건식)  %}
--
{%endif%}

자. 실행

01. iris.py을 실행

02. flask_app.py을 실행

WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.
* Running on http://127.0.0.1:5000
Press CTRL+C to quit
* Restarting with stat
* Debugger is active!
* Debugger PIN: 140-126-807

03. 웹페이지 URL을 웹 사이트에 입력

http://127.0.0.1:5000

04 입력란에 값을 입력 후, predict!를 버튼을 선택하면 예상 결과가 나오게 됩니다.