1. はじめに: 「AIアプリ、作ってみたいけどどこから始めれば...?」
皆さん、こんな経験ありませんか？
「機械学習モデルは作れたけど、どうやって公開すればいいかわからない」
「Jupyter Notebookで動くデモを、どうすればサービスにできるのか...」
実は、Flaskを使えばたった数十行のコードでAIアプリを公開できます！
本記事では、Googleのクラウド環境で実際に運用されているノウハウをベースに、
AIモデルの実装からデプロイまでを完全ガイドします。
2. Flask + AI: 最強の軽量コンビネーション
Flaskとは?
Python製のマイクロWebフレームワークで、軽量・高速・柔軟が特徴。
AIアプリのプロトタイピングに最適です。
from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello():
return "Hello AI World!"
if __name__ == '__main__':
app.run()
リスト1: Flaskの最小構成 (たった5行!)
なぜFlaskがAIアプリに向いているのか?
- ✅ 学習コストが低い
- ✅ 依存関係が少ない
- ✅ REST APIの作成が簡単
- ✅ Google Cloud Runなどと相性が良い
図2: Flaskの基本アーキテクチャ
3. 実践! 画像分類AIアプリを作成
ステップ1: 基本アプリのセットアップ
from flask import Flask, request, jsonify
import tensorflow as tf
from PIL import Image
import numpy as np
app = Flask(__name__)
model = tf.keras.applications.MobileNetV2(weights="imagenet")
def preprocess_image(image):
# 画像前処理ロジック
image = image.resize((224, 224))
image_array = np.array(image)
image_array = tf.keras.applications.mobilenet_v2.preprocess_input(
image_array[np.newaxis, ...])
return image_array
リスト2: モデルロードと前処理関数
ステップ2: 推論APIの実装
@app.route('/predict', methods=['POST'])
def predict():
if 'file' not in request.files:
return jsonify({"error": "no file uploaded"}), 400
file = request.files['file']
image = Image.open(file.stream)
processed_image = preprocess_image(image)
predictions = model.predict(processed_image)
results = tf.keras.applications.mobilenet_v2.decode_predictions(
predictions.numpy())
return jsonify({"predictions": results[0]})
if __name__ == '__main__':
app.run(host='0.0.0.0', port=5000)
リスト3: 推論APIの完全実装
図3: APIの処理フロー
4. プロが教える実践TIPS & よくある落とし穴
✅ TIP1: 本番環境での必須設定
# 本番用設定
app.config.update(
MAX_CONTENT_LENGTH=16 * 1024 * 1024, # 16MB制限
JSONIFY_PRETTYPRINT_REGULAR=False # 本番では無効化
)
✅ TIP2: モデルのウォームアップ
# サーバ起動時にモデルをウォームアップ
with app.app_context():
dummy_input = np.zeros((1, 224, 224, 3))
_ = model.predict(dummy_input)
❌ よくあるミス1: ブロッキング問題
Flaskはデフォルトでシングルスレッド。並列処理には以下を検討:
flask-executor- Gunicorn + Gevent
- Kubernetesでの水平スケーリング
❌ よくあるミス2: メモリリーク
AIモデルはメモリを大量消費。対策:
@app.teardown_request
def teardown_request(exception=None):
# リクエスト終了時にクリーンアップ
keras.backend.clear_session()
5. 応用編: Google Cloud Runへのデプロイ
Dockerfile の例
FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD exec gunicorn --bind :$PORT --workers 1 --threads 8 --timeout 0 app:app
requirements.txt
flask==2.0.1
gunicorn==20.1.0
tensorflow-cpu==2.6.0
pillow==8.3.1
図4: Cloud Runへのデプロイフロー
6. 結論: Flaskで始めるAIアプリ開発の未来
メリット
- ⚡ 超高速プロトタイピングが可能
- ☁ クラウドネイティブとの親和性が高い
- 🔄 AIモデルの差し替えが容易
デメリット
- 📦 大規模アプリには不向き
- 🔄 非同期処理に追加設定が必要
**「AIの民主化」**が進む今、Flaskは個人開発者から企業プロトタイプまで、
あらゆるレベルのAIアプリ開発を加速する最強のツールです。
さあ、あなたも今日からAIアプリ開発者への第一歩を踏み出しましょう！
#AI #Flask #機械学習
#AIアプリ開発 #クラウドネイティブ #Python #クラウドデプロイ
付録: さらに学びたい方へ
図5: 次の学習ステップ