지금부터 3시간 안에 기계학습 Web 애플리케이션을 만들어보게
신입: 오늘부터 데이터 사이언스에 소속된 모리모토입니다!
선배: 오, 당신이 우리 부서에 신입으로 오는 모리모토인가. 나는 상사 바아츠다. 잘 부탁한다!
신입: 잘 부탁 드립니다!
선배: 그럼 바로 연습으로 간단한 애플리케이션을 만들어볼까, 모리모토씨는 Python이라면 쓸 수 있나?
신입: 네! 대학에서 연구로 Python을 사용했습니다. PyTorch로 모델도 만들 수 있습니다!
선배: 호오, 굉장하구먼
신입: 😊
선배: 그럼 지금부터 3시간 안에 기계학습 Web 애플리케이션을 만들어보게
선배: 과제는 사진에 얼굴부분을 에모지로 감추는 애플리케이션으로 하지.
선배: 아, 디플로이는 안해도 된다. 로컬에서 움직이면 그만이야. 얼굴 인식이랑 영상 처리면 할 수 있겠지?
신입: 😐
신입: (에ㅔㅔㅔㅔㅔㅔㅔㅔㅔㅔ. 3시간? 너무 빡센데...)
신입: (우선 모델을 어떻게하지. 애초에 노트북이면 GPU 없으니까 학습을 못돌리지 않나)
신입: (Web 애플리케이션은 Flask만 다뤄봤는데, JS은 전혀 모르는데...)
일의 순서를 정리하자
선배: 아, Python 개발 환경은 갖춰져 있어
선배: 시간 없으니, 우선 일의 순서를 정리해볼까 처음은 어떻게 할까?
신입: 으음... 심층 학습 모델을 사용해서, 사진에서 얼굴 범위를 특정합니다
선배: 오, 다음은?
신입: 얼굴 주변에 이모지를 겹쳐서 얼굴을 감춥니다.
선배: 오케이, 겹치는 에모지 이미지는 내가 준비하지. 다음은?
신입: 이미지 업로드하면 가공 영상을 게시하는 기능을 갖는 Web 페이지를 만듭니다.
선배: 굉장하구먼, 가르칠게 하나도 없어
신입: 감사합니다! 그런데 질문해도 될까요...?
선배: 괜찮네.
기반을 결정
신입: 제가 받은 노트북은 GPU가 없어서 학습을 돌릴 수 없습니다만...
선배: 에? 3시간 밖에 없는데 모델 학습부터 하려했어?
신입: 응? 뭔가 이상한가요?
선배: 우선 첫 째, 우리는 학자도 아니고 연구직도 아니네
선배: 처음부터 멋진 모델을 만들어 SOTA를 맞출 필요도 없어
선배: 처음은 간단히 가지고 놀 수 있는 AutoML를 사용해서 기반을 결정해보게
신입: 오호
선배: 기반이 될 모델이 요건에 만족하면 OK
선배: 충족하지 못하면 다른 라이브러리나 학습된 모델을 테스트해보면 되네
선배: 그래도 안되면 하나하나 처음부터 스스로 만들어볼까 생각하는거네
선배: 스스로 모델을 만드는 것은 첫 선택지가 아니네
신입: 알겠습니다. 조사해보겠습니다.
~ 신입, 검색중 ~
신입: face_recognition이라는게 있습니다! PyPI에 공개되어있고요.
선배: 오케이! 그걸 테스트해보자
신입: 이런 식일까요?
im = Image.open("test-image.png")
image = np.asarray(im)
face_bboxes = face_recognition.face_locations(image)
선배: 괜찮구먼! 다음은 이미지를 겹치는 것을 처리해보지
신입: 이건 pillow로 간단히 할 수 있을 듯 합니다.
선배: 좋구먼!
Python으로 프론트엔드를 작성
선배: 다음은 Web 페이지를 만들어보지
신입: 저... 실은 HTML/CSS/JS 쪽은 전혀 모릅니다
선배: 데이터 사이언티스트 중에서도 프론트를 적는 사람은 많지 않네
선배: 그래도 최저한의 지식은 필요하니 공부해두게
신입: 알겠습니다.
선배: 그렇다해도, 실은 Python으로 프론트엔드를 적을 수 있지
신입: 에? Jinja 같은 것을 이용하는 건가요?
선배: 그것도 좋지만 이번에는 Streamlit을 사용하지
선배: Streamlit이라면 HTML/CSS/JS를 하나도 사용하지 않고도 멋진 UI 애플리케이션을 만들 수 있지
신입: 그건 굉장한데요
선배: 간단히 배울 수 있는 책을 알려줄테니 읽어두게
선배: 오늘은 시간이 없으니 최저한의 필요한 기능만 사용하자
신입: 알겠습니다! 잘 부탁드립니다!
~ 신입, Streamlit 구현 ~
신입: 됐습니다! 이런 느낌입니다
선배: 오오, 3시간 안에 완성했구먼
신입: 선배 덕입니다! 감사합니다!
보수하기 쉬운 코드를 적는 것을 명심
선배: 애플리케이션은 문제없이 잘 돌아가나?
신입: 실은 잘 안되는 이미지도 있습니다.
선배: 이건 옆모습을 인식하지 못하는 거구먼
선배: 이럴 때는 어떻게해야 하면 좋을까?
신입: 이번에는 face_recognition을 기반으로 했지만
신입: 정밀도를 개선하기 위해 다른 학습된 모델을 사용하는 선택지가 있습니다.
신입: 그래도 안되면 스스로 모델을 만들거나 Fine-Tuning를 시도해봅니다.
선배: 좋구먼! 그럼 소스코드를 볼 수 있을까?
~ 선배, 코드 리뷰 ~
선배: 으음, 조금 리팩토링이 필요할 것 같은데
선배: 동작하는 것도 중요하지만, 보수하기 쉬운 코드를 적는 것도 잊지말아야하네
신입: 알겠습니다. 그런데 어떤 부분을 고치는게 좋을까요
선배: TypeHint랑 변수 명명, 2가지를 의식해볼까
선배: TypeHint는 알고 있나?
신입: 아뇨, 처음 듣습니다
TypeHint 사용해 코드 질을 올리자
선배: TypeHint는 변수에 붙이는 타입 힌트인데
선배: 예를 들면 이런 코드가 있다치자
def add(a, b):
return a + b
선배: 이러면 값을 더하는지, 문자열을 더하는지 알 수 없지
선배: 여기에 TypeHint를 붙이면 이렇게 된다
def add(a: int, b: int) -> int:
return a + b
선배: 이걸로 add는 int타입을 더하는 함수라는 것이 명백해진다
신입: Java스럽게 타입 명시한다는 소리인가요?
선배: 그렇지, 그렇지만 Java 같은 정적타입 언어와는 달라
선배: TypeHint는 어디까지나 힌트
선배: 그러니 add에 문자열을 넘겨줘도 에러는 아니지
신입: 에? 그럼 무엇을 위해 적나요?
선배: 우선 개발자의 의도가 코드에서 표현되기 때문이지
선배: 팀이나 미래의 자신이 코드를 이해할 때 도움되지
신입: 오호라
선배: 또 flake8, mypy같은 정적해설 도구랑 조합하면
선배: 실행 전에 에러를 볼 수 있어. TypeHint를 적는 걸 권하네
선배: TypeHint를 적고서 코드의 질을 올려볼까
선배: 여기 도움이 될 책이 있으니 읽어두게
신입: 알겠습니다
신입: (또 읽어야 할 책이 늘었어...)
변수 명은 알기 쉽게
선배: 다음은 변수 명명인데, 여기 r, l은 뭔가?
신입: 아, right, left입니다
선배: 그럼 그대로 right, left 적게
선배: 변수명 예측은 IDE로도 할 수 잇으니, 변수명이 긴 것은 그리 단점이 아니야
선배: 1글자로 된 변수명이 더 곤란하지
선배: 변수 명은 알기 쉽게가 기본이지
선배: 그리고 좌 X축은 의미를 알 수 없으니 left_x로 바꿔보게
신입: 아하, 1글자로 된 변수명을 전부 고치겠습니다!
선배: 아, 모든 1글자 변수명이 나쁜건 아니야
선배: lambda x: 같은 건 변수 유효범위가 적으니 1글자라도 좋아
선배: 여기 읽기좋은 코드가 좋은 코드다 같은 책을 읽어두게
신입: 네...
신입: (또 읽을 책이 늘었어... 빡세다)
선배: 신입일 때는 읽을 책이 많아서 힘들겠지만, 힘내게
신입: 열심히 하겠습니다!
신입: (이 사람 초능력자인가)
신입: 저, 선배 땅콩 좋아하시나요?
선배: 아니, 캐슈넛을 더 좋아해
선배: 이런건 아무래도 좋으니, 리팩터링이랑 기능 확장 부탁하네
선배: 이건 3시간은 아니고 내일까지 하루를 사용해서 해보게
선배: 완성되면 Github에 push해 둬
신입: 알겠습니다
신입: (힘든 부서에 배치된 듯한데...)
~ 다음날 ~
신입: 선배! Github에 push했으니 확인 부탁드립니다.
선배: 오~ 알겠네, 어떤 느낌인지 데모부터 한 번 볼까
신입: 이런 느낌입니다
선배: 좋구먼! 그럼 나중에 코드 리뷰해두겠네
선배: 내일부터는 일이 시작되니, 이런 느낌으로 힘내보게
신입: 네! 알겠습니다!
선배: 그럼 오늘은 한 잔하러 갈까
~ To Be Countinued.. ~
맺음말
(이제와서지만...) 안녕하세요 alivelimb입니다
이번에는 지금까지 경향을 바꿔 코미컬한 대화풍으로 집필했습니다. 적으면서 즐거웠기에 또 대화풍으로 글을 적어보고 싶습니다.
되돌아보기
스파르타 선배였지만, 말하던 것은 모두 일리있습니다.
지금은 간단하게 기계학습 모델을 테스트해볼 서비스, 라이브러리가 있으니, 우선은 기반을 결정하는 것은 중요합니다.
이번에 사용한 face_recognition외에도 패키지라면 mediapipe, facenet-pytorch, 서비스라면 SageMaker(AWS), VertexAI(GCP)가 있습니다.
또, 간단한 데모 애플리케이션을 만들 때는 Streamlit이 좋습니다. 데이터 사이언티스트는 Python, R, C++를 사용할 수 있는 사람이 많지만 React, Vue 같은 JS(TS) 프레임워크를 사용하는 사람은 적습니다. Streamlit을 사용하면 자유도는 적어져도 간단히 WebUI를 만들 수 있습니다.
Streamlit은 데이터 사이언스계열 데모 애플리케이션을 상정하고 있지만 평범한 Web 애플리케이션의 데모 애플리케이션도 만들 수 있습니다. 선배도 소개한 대로 여기에 책이 있으니 읽어주시면 좋겠습니다.
생각보다 많은 좋아요를 받았기에 후일담과 보충 글도 적었습니다.