見出し画像

Python(Flask)を使ったAIアプリ「近鉄特急どれかな？」の開発記録　その４～Flaskでアプリ作成と公開～

あきよん

AIアプリ「近鉄特急どれかな？」について

　AIアプリ「近鉄特急どれかな？」は、画像ファイルを読み込む、または画像のurlを指定すると、10種類の近鉄特急のうち、どれに似ているかを判別します。

  1.  12200系 スナックカー

  2.  12400系 サニーカー

  3.  20000系 楽

  4.  21000系 アーバンライナーplus

  5.  21020系 アーバンライナーnext

  6.  22000系 ACE(エー・シー・イー)

  7.  22600系 Ace(エース)

  8.  23000系 伊勢志摩ライナー

  9.  50000系 しまかぜ

  10.  80000系 ひのとり

Webアプリ「近鉄特急どれかな？」　判定後の画面

Webアプリ「近鉄特急どれかな？」はこちら

アプリ開発の流れ

アプリ開発の流れです。

  1. テーマ決め

  2. モデル学習用データを収集（Webスクレイピング）

  3. 学習用データの前処理（データクレンジング）

  4. モデルの作成と訓練　(tensorflow)

  5. モデルの軽量化 (.h5から.tfliteへ変換)

  6. Flaskでアプリの作成（ローカル環境）←ココ

  7. 本番環境の作成と公開（Heroku）←ココ

ここでは6.Flaskでアプリの作成、7.アプリを公開（Heroku）について紹介します。

1 ~ 3（その１）はこちら
4（その２）はこちら
5（その３）はこちら

Webアプリ「近鉄特急どれかな？」はこちら

Python(Flask)実行環境

Windows11のWSL2内でPython(Flask)を実行しました。

PC: Dell xps 13 2-in-1

  • プロセッサ   Intel(R) Core(TM) i7-1065G7 CPU @ 1.30GHz   1.50 GHz

  • 実装 RAM 32.0 GB

  • システムの種類 64 ビット オペレーティング システム、x64 ベース プロセッサ

  • エディション  Windows 11 Pro
    バージョン   21H2

  • OS ビルド  22000.832

  • Ubuntuバージョン(WSL2): 22.04 LTS

  • Pythonバージョン: 3.10.4

  • Pythonを編集、実行したエディター: Visual Studio Code

Python仮想環境について

　作業ディレクトリ内に仮想環境を作成し、仮想環境内でスクリプトを実行しました。ターミナルで作業ディレクトリに移動し、以下を実行すると仮想環境が作成されます。

python3 -m venv env
source ./env/bin/activate

仮想環境から抜けるには、以下のコードを実行します。

deactivate

6. Flaskでアプリの作成（ローカル環境）

アプリケーションフォルダ内の構成

  • ./requirements.txt

  • ./main.py

  • ./requirements.txt

  • ./templates/index.html

  • ./static/stylesheet.css

  • ./static/labels_for_model.csv

  • ./static/model_train_20220721_123305.tflite

ライブラリをインストール

次のコマンドをターミナルで実行し、requirements.txtに記載したライブラリをインストールしました。

pip install -r requirements.txt

アプリを実行して確認

ターミナルで

python main.py

を実行してブラウザ(Chrome)で確認。

アプリの改良

　ローカル環境ではすんなりと問題なく動いたので、スタイルを調整したり、読み込んだ画像を表示したり、電車や結果をリストで表示したりと機能を追加しました。スタイルの点では、PCでもスマホでも見た目が崩れないように工夫しました。

ファイルの内容

./requirements.txt

Flask==2.2.0
gunicorn==20.1.0
numpy==1.23.1
opencv-python-headless==4.6.0.66
Pillow==9.2.0
tensorflow-cpu==2.9.1

./main.py

./templates/index.html

./static/stylesheet.css

./static/labels_for_model.csv

7. 本番環境の作成と公開（Heroku）

Herokuへのデプロイに必要な次の2つのファイルを追加しました。

  • ./runtime.txt

  • ./Procfile

  • ./.gitignore

Herokuでプロジェクトを作成し、gitレポジトリを初期化、コミットしたのち、Herokuにデプロイ。
実際動かしてみると不具合が多々生じました。
デプロイできるHerokuのアプリケーション上限サイズの500 MBです。（300MB以上で警告が出ます。）

そこでアプリのサイズを小さくするために、次のことを検討し、最終的に1, 2を採用しました。

  1. 読み込むライブラリを減らす

  2. モデルファイルをh5からtfliteへ軽量化する（→その３）

  3. 静的ファイルを外部におく（Google App Engine, Gcloudを利用した場合）

もともとpandasを読み込んでデータフレームの操作をしていましたが、pandasはメモリ容量がたくさん必要ということがわかったので、pandasを使わない処理方法に改良しました。
モデルファイル(.h5)は容量が大きすぎて(390 MB)、アプリの上限サイズの500 MBを軽く超えてしまうため、h5からプルーニングを行いtfliteへ変換、さらに量子化を行うことで軽量化することに成功しました（→その３）。
これはGoogle App Engineでデプロイを試していたときに用いた方法ですが、モデルファイルやcss、csvファイルなどをGoogle Cloudのサービスを利用してアプリフォルダ外におくことで、アプリのサイズを小さくすることができました。ただ、h5ファイルではデプロイはできましたが、サーバーエラーで動作しませんでした。（おそらくレスポンスに時間がかかりすぎることや、許容メモリサイズを超えているため。）tfliteでは条件付きで動作しました。条件付きというのは、サーバーの種類を上位のものに指定した場合ということなのですが、これは無料枠だけでは運用できず、有料になるため、今回は利用を見送りました。
Herokuにデプロイするときもこの方法は使えます（HerokuはAmazon S3を推奨しています）が、今回は試していません。今後の課題とします。

最終的に、モデルの軽量化（390 MBから56 MBにサイズダウン）が功を奏し、アプリのデプロイ、バグらず動作することが実現しました。やったー！！！

本番環境作成のために追加したファイルの内容

./runtime.txt

　使用するpythonのバージョンを記載

python-3.10.4

./Procfile

　実行ファイルを指定

web: python main.py

./.gitignore

 　gitへの保存対象から仮想環境ファイルenvを省かないと、すごいサイズになる（デプロイできない）

/env

最後に

私にとって、初めてのPythonを使ったAIアプリ「近鉄特急どれかな？」をつくることができました。感無量です。
無知ゆえに、一筋縄ではいかないことが多く、かなり時間を要しましたが、とてもいい勉強になりました。ここで得られた経験を、これからの仕事に生かしていきたいと思います。がんばるぞー！！！

最後まで読んでくださり、ありがとうございました。

この記事が気に入ったらサポートをしてみませんか？