⚡️ FastAPI로 만드는 AI API: 전문가처럼 구조 잡기! 🏗️🚀

안녕하세요! 👋 Streamlit으로 프로토타입을 만들어봤다면, 이제는 FastAPI로 실제 서비스 가능한 튼튼한 백엔드 API를 구축해볼 차례입니다! 🌪️💨

코드를 한 파일에 다 넣으면 나중에 수정할 때 머리가 지끈지끈하겠죠? 🤯 그래서 오늘은 유지보수하기 딱 좋은 **"모듈형 프로젝트 구조"**를 소개합니다! 📂✨

📂 1. 전체 프로젝트 구조 미리보기 (Tree View) 🌳

먼저 폴더 정리를 어떻게 할지 큰 그림을 그려봐요! 👀

Plaintext

 

my_ai_project/ 📁
├── main.py              # 🏁 앱의 시작점! (Entry Point)
├── app/                 # 📦 핵심 로직들이 모여있는 곳
│   ├── __init__.py
│   ├── schemas.py       # 📝 데이터의 모양(입출력)을 정의 (Pydantic)
│   ├── model_loader.py  # 🧠 AI 모델을 불러오고 예측하는 로직
│   └── api/             # 🛣️ URL 경로(엔드포인트)를 관리
│       ├── __init__.py
│       └── endpoints.py # 실제 API 동작 함수들
└── requirements.txt     # 📚 필요한 라이브러리 목록

---

📝 2. 데이터 규칙 정하기: schemas.py

손님(Client)이 아무 데이터나 던지면 곤란하겠죠? 🙅‍♀️ Pydantic을 사용해서 데이터의 입출력 규격을 딱 정해줍니다! ✅

Python

 

# @title app/schemas.py
from pydantic import BaseModel

# 입력 데이터 형식: 붓꽃(Iris) 정보를 예시로 들어볼게요 🌸
class PredictionInput(BaseModel):
    sepal_length: float
    sepal_width: float
    petal_length: float
    petal_width: float

# 출력 데이터 형식: 모델이 예측한 결과 🏷️
class PredictionOutput(BaseModel):
    class_name: str
    confidence: float

🧠 3. AI 두뇌 만들기: model_loader.py

AI 모델을 로드하고 예측하는 핵심 로직은 여기서 담당해요! 🤖 모델을 매번 로드하지 않도록 클래스로 만들어서 관리하는 게 포인트! 🌟

Python

 

# @title app/model_loader.py
import random # 실제로는 torch나 sklearn 등을 사용하세요! 😉

class AIModel:
    def __init__(self):
        self.model = None

    def load_model(self):
        print("모델 로딩 중... 으라차차! 🏋️‍♀️")
        # 여기서 torch.load('model.pth') 등을 수행합니다.
        self.model = "My Awesome Model" 
        print("모델 로딩 완료! 🟢")

    def predict(self, input_data: list):
        # 실제 모델 추론 로직이 들어갈 자리 🕵️‍♀️
        # 예시로 랜덤한 결과를 반환합니다.
        classes = ["Setosa", "Versicolor", "Virginica"]
        return {
            "class_name": random.choice(classes), 
            "confidence": 0.95
        }

# 싱글톤처럼 전역 변수로 인스턴스 생성 🌐
ai_model = AIModel()

🛣️ 4. 주문 받기: api/endpoints.py

실제 URL 주소와 기능을 연결해주는 곳이에요! 🔗 APIRouter를 사용해서 길을 터줍니다. 🚦

Python

 

# @title app/api/endpoints.py
from fastapi import APIRouter, HTTPException
from app.schemas import PredictionInput, PredictionOutput
from app.model_loader import ai_model

router = APIRouter()

@router.post("/predict", response_model=PredictionOutput)
async def predict_flower(input_data: PredictionInput):
    # 모델이 로드되지 않았으면 에러! 🚨
    if not ai_model.model:
        raise HTTPException(status_code=503, detail="모델이 아직 준비되지 않았어요 😢")
    
    # 입력 데이터를 리스트로 변환해서 예측 요청 📨
    data_list = [
        input_data.sepal_length, 
        input_data.sepal_width, 
        input_data.petal_length, 
        input_data.petal_width
    ]
    
    result = ai_model.predict(data_list)
    return result

🏁 5. 문 열기: main.py

마지막으로 모든 조각을 모아서 앱을 실행합니다! 🧩 Lifespan(수명 주기) 기능을 써서 앱이 켜질 때 모델을 딱 한 번만 로드하게 설정해요! ⚡️

Python

 

# @title main.py
from fastapi import FastAPI
from contextlib import asynccontextmanager
from app.model_loader import ai_model
from app.api import endpoints

# 앱이 시작될 때 모델을 로드하고, 꺼질 때 정리하는 설정 🔄
@asynccontextmanager
async def lifespan(app: FastAPI):
    # 시작 전 실행 (Startup) ☀️
    ai_model.load_model()
    yield
    # 종료 후 실행 (Shutdown) 🌙
    print("모델 메모리 해제 및 정리 👋")

app = FastAPI(lifespan=lifespan)

# 라우터 연결! 🔌
app.include_router(endpoints.router, prefix="/api/v1")

@app.get("/")
def read_root():
    return {"message": "AI API 서버가 정상 작동 중입니다! 🚀✨"}

---

💡 쉽고 정확한 비유: "체계적인 레스토랑 주방" 👨‍🍳🍽️

FastAPI의 구조를 나누는 건 레스토랑을 운영하는 것과 비슷해요!

• main.py 👉 지배인 (Manager) 🤵 : 레스토랑 문을 열고(Startup), 각 파트가 잘 돌아가는지 총괄해요.
• schemas.py 👉 주문서 양식 (Order Ticket) 📝 : 손님이 "아무거나" 달라고 하면 안 되죠? 정해진 메뉴판과 주문서 양식대로만 주문을 받아요.
• api/endpoints.py 👉 웨이터 (Waiter) 💁‍♂️ : 홀에서 손님의 주문(Request)을 받아서 주방으로 전달하고, 완성된 요리(Response)를 서빙해요.
• model_loader.py 👉 메인 셰프 (Head Chef) 👩‍🍳 : 실제로 요리(예측, Inference)를 하는 핵심 인물이에요! 재료 손질(모델 로드)은 오픈 전에 미리 다 해놓는답니다.