[Flooming] 딥러닝 기반 꽃 분류, 그림 변환 모바일 앱

# 프로젝트 소개

제목 : Project Flooming

분류 : 개인적인 여름방학 소규모 프로젝트

팀원 : 4명 (BE 1명, Deep learning 모델 학습 1명 FE(RN-Android) 1명, iOS 1명

기간 : 한 달 (서버 개발은 한 달, 서비스 출시는 진행 중)

간략소개 : 딥러닝 모델을 기반으로 한 꽃 사진을 분류하고, 해당 꽃으로 그림을 그려주는 모바일 앱 서비스

기획의도 : 딥러닝을 활용한 서비스 출시 경험을 쌓고자 기획하게 됨

 

주요기능 :

• 꽃 사진을 업로드 하면 어떤 꽃인지 분류하여 한명, 영문명, 꽃말을 알려주는 기능 (28개의 서로다른 꽃 클래스 탑재)
• 꽃 사진을 그림으로 변환하는 기능
• 갤러리 기능 (꽃 사진, 그림 공유 및 다운로드)

사용기술 

# 내 역할

[백엔드 개발 및 딥러닝 모델 탑재]

Python 기반의 백엔드 프레임워크 (FastAPI)를 사용하여 딥러닝 모델을 서빙하는 REST API 서버 구축을 담당함

 

# 배운점/성과

[FastAPI 프레임워크 사용 경험]

스프링 부트만 사용하다가 다른 진영의 백엔드 프레임워크를 사용해 보면서, "백엔드 프레임워크"가 제공해주는 기본적인 편의성을 깨닫게 되었고, 스프링 부트와 FastAPI의 차이점을 느끼면서 견문을 넓힐수 있었음

 

[딥러닝 모델 서빙, 배포 경험]

하드웨어 자원에 민감한 딥러닝 모델을 AWS EC2 프리티어 인스턴스에 배포하면서 발생하는 하드웨어 이슈들 (CPU, 램, GPU)을 핸들링 해보았고, 딥러닝 모델을 최적화 할 수 있는 아이디어를 얻을 수 있었음

 

[iOS, Android 앱 출시 심사 과정 경험]

프론트 앱을 제작완료하고 서비스 출시를 위해 앱 심사를 받는 과정이 까다롭고 오래걸린 다는 것을 몸소 경험함

 

# 어려웠던 점과 해결방법

[AWS EC2 딥러닝 서빙 서버 배포 애로사항]

딥러닝 모델을 탑재한 서버를 처음 배포해보면서 하드웨어 자원 관련 이슈에 많이 직면했었는데, 여러번 테스트를 걸치고 모델을 경량화 및 최적화 하면서 이슈 핸들링을 했음

 

 

# 프로젝트 결과물

https://github.com/project-flooming

Flooming

 

https://apps.apple.com/kr/app/flooming/id1642471118

https://play.google.com/store/apps/details?id=com.flooming.flooming 

 

2023.01 기준 서버 유지비용 관련해서 운영 중단