Streamlit으로 AI 모델을 웹 애플리케이션에 통합하는 과정

Streamlit은 Python 코드만으로 간단한 웹 애플리케이션을 만들 수 있는 도구이다.

복잡한 프론트엔드 지식이 없어도 모델을 불러오고, 사용자 입력을 받고, 예측 결과를 화면에 보여주는 흐름을 빠르게 구현할 수 있다.

AI 모델을 Streamlit 앱에 통합할 때는 일반적으로 모델 로드, 사용자 입력, 결과 출력의 단계를 거친다.

---

1. 모델 로드

모델 로드는 학습이 완료된 AI 모델을 웹 애플리케이션 안에서 사용할 수 있도록 불러오는 단계이다.

예를 들어 이미지 분류 모델이라면 PyTorch의 .pt 파일이나 ONNX 모델 파일을 불러올 수 있다.

모델을 로드한 뒤에는 보통 추론 모드로 전환한다. PyTorch에서는 model.eval()을 사용하여 학습 중에만 필요한 동작을 비활성화한다.

모델 로드는 앱이 실행될 때마다 반복되면 시간이 오래 걸릴 수 있다. 따라서 Streamlit에서는 캐시 기능을 활용하여 한 번 불러온 모델을 재사용하는 방식이 자주 사용된다.

@st.cache_resource
def load_model():
    model = ...
    model.eval()
    return model

이렇게 하면 사용자가 입력을 여러 번 보내더라도 모델을 매번 다시 불러오지 않아도 된다.

---

2. 사용자 입력

사용자 입력 단계는 웹 화면에서 사용자가 데이터를 업로드하거나 입력하는 과정이다.

입력 형태는 모델의 종류에 따라 달라진다.

• 이미지 모델: 이미지 파일 업로드
• 텍스트 모델: 문장 입력
• 표 데이터 모델: CSV 파일 업로드 또는 수치 입력

예를 들어 이미지 분류 앱에서는 st.file_uploader()를 사용해 이미지를 업로드받을 수 있다.

uploaded_file = st.file_uploader("이미지를 업로드하세요", type=["jpg", "png"])

이후 입력 데이터는 모델에 맞는 형태로 전처리되어야 한다. 이미지라면 크기 조정, 정규화, Tensor 변환 과정이 필요할 수 있다.

---

3. 결과 출력

결과 출력은 모델이 예측한 값을 사용자에게 보여주는 단계이다.

분류 모델이라면 예측 클래스와 확률을 출력할 수 있다. 객체 탐지 모델이라면 이미지 위에 bounding box를 표시할 수 있다.

Streamlit에서는 st.write(), st.image(), st.metric() 등을 사용하여 결과를 화면에 표시할 수 있다.

st.write("예측 결과:", predicted_class)
st.write("확률:", confidence)

결과를 단순히 텍스트로 보여주는 것보다 이미지, 표, 그래프 등을 함께 활용하면 사용자가 더 쉽게 이해할 수 있다.

---

전체 흐름 정리

단계	역할	예시
모델 로드	학습된 모델을 앱에서 사용할 수 있도록 불러옴	.pt, .onnx 모델 로드
사용자 입력	사용자가 데이터를 업로드하거나 입력함	이미지 업로드, 텍스트 입력
결과 출력	모델의 예측 결과를 화면에 표시함	예측 클래스, 확률, 시각화 결과

 

---

정리

Streamlit을 사용하면 Python 기반 AI 모델을 간단한 웹 애플리케이션 형태로 구현할 수 있다.

모델 로드 단계에서는 학습된 모델을 불러오고, 사용자 입력 단계에서는 예측에 사용할 데이터를 받는다.

마지막으로 결과 출력 단계에서는 모델의 예측 결과를 사용자가 이해하기 쉬운 형태로 보여준다.

이 구조는 빠르게 AI 데모를 만들거나 모델 테스트용 웹 앱을 제작할 때 유용하게 사용할 수 있다.