hurwan 님의 블로그

[머신러닝] OpenCV의 큰 그림

hurwan — Thu, 3 Sep 2026 21:53:22 +0900

[머신러닝] OpenCV 시작

이번에는 OpenCV 진도를 시작함에 따라 복습할 겸 내용을 정리해보았습니다.

우선 OpenCV는 Open Source Computer Vision Library라는 컴퓨터가 사람의 눈처럼 이미지와 영상을 인식하고 처리할 수 있도록 돕는 오픈소스 컴퓨터 비전 라이브러리 입니다.

이는 이미지를 읽고 변환하는데 강점을 보이는 라이브러리입니다.

1. 이미지 읽기

기본적으로 OpenCV는 이미지를 읽는 기능을 제공합니다.

import cv2

img = cv.imread("경로_문자열.png")

print(type(img))
# <class 'numpy.ndarray'>

또한 로딩 옵션으로 다음과 같이 설정 또한 가능합니다.

# 컬러 이미지 로드
cv2.imread(path, cv2.IMREAD_COLOR)

# 흑백 이미지 로드 ([H, W)
cv2.imread(path, cv2.IMREAD_GRAYSCALE)

배열 순서

여기에서 반환값은 기본적으로 Numpy 배열로 컬러 이미지면 보통 [H, W, C] 형태로 반환되게 됩니다.

이러한 특징은 PyTorch의 [C, H, W] 형태와 대조되어 향후에는

tensor = torch.from_numpy(img)
tensor = tensor.permute(2, 0, 1)

과 같은 코드가 나올 수 있습니다.

BGR

OpenCV에서 채널의 기본 순서는 { 0: B, 1: G, 2: R } 입니다.

일반적으로 익숙한 순서는 R G B 순서이기 때문에 다음과 같은 방식으로 순서를 변환하여 시각화 할 때 사진이 이상하게 나오는 것을 막을 수 있습니다.

rgb = cv2.cvtColor(
  img,
  cv2.COLOR_BGR2RGB
)

dtype

또한 보통 이미지의 경우에는 dtype=uint8이며 픽셀 범위 0~255를 표현하게 됩니다.

PyTorch 모델에 넣을 때는 보통 uint8에서 float32타입으로 변환한 뒤 다시 0~1로 정규화 변환을 하게 됩니다.

img = img.astype("float32") / 255.0

`imread()` 실패

OpenCV는 imread(path)에 이미지가 없는 경우, 경우에 따라 예외 대신 None 값을 반환하게 됩니다.

따라서 다음과 같이 유효성 검사를 하는 것도 좋은 방법입니다.

img = cv2.imread("???.jpg")

if img is None:
  print("image not exists")

2. 이미지 띄우기

OepnCV는 imshow(panel_name, img_ndarray)를 통해 화면을 그리는 기능을 제공해줍니다.

이때 띄워진 이미지 창은 프로세스의 종료와 함께 빠르게 종료될 수 있기 때문에 보통 키 입력을 기다리는 waitKey() 메서드와 함께 쓰이는 경우가 많습니다.

waitKey()의 인자로는 정수가 들어가며 0을 넣을 시에는 무한정으로 키 입력을 대기하며 1 이상을 넣을시에는 N ms동안 키 입력을 기다리고 다음 코드를 진행하게 됩니다.

waitKey의 반환값은 눌린 키 정보를 정수로 반환해줍니다. 이를 이용하여 waitKey(0) == 27과 같이 사용할 수 있으며 조금 더 보기 쉽게 하려면 waitKey(0) & 0xFF == ord("q") 패턴을 이용할 수 있습니다. (0xFF는 하위 8비트만 보기 위한 값입니다.)

destroyAllWindows()를 이용하여 OpenCV가 만든 GUI 창을 모두 닫을 수 있습니다. 특정 창만 제거하기 위해선 cv2.destroyWindow("panel_name")를 이용할 수 있습니다.

3. 영상 읽기

OpenCV에서는 영상 읽기 또한 제공하여 다음과 같은 코드를 이용하여 영상 매체 정보를 가져올 수 있습니다.

# 파일 읽어오기
cap = cv2.VideoCapture("video.mp4")

# 웹 캠 읽어오기 (스트림 객체 번호)
cap = cv2.VideoCapture(0)

if not cap.isOpened():
  print("video not detected")

또한 이후에는 cap.read()를 이용하여 ret, frame 값을 받을 수 있습니다.

ret는 bool 타입의 읽기 성공 여부 값이며 frame는 실제 한 프레임의 이미지 Numpy 배열입니다.

ret는 마지막 영상의 마지막 또는 카메라 프레임을 읽는 것에 실패하게 된다면 False를 반환합니다.

따라서 보통 if not ret: brerak cap.read() 아래에 넣습니다.

또한 마지막에 카메라를 잡은 경우에, 카메라를 계속 점유하지 않기 위해서 cap.release()를 작성할 필요가 있습니다.

또한 cap.get(cv2.CAP_*) 을 이용하여 fps, width, height, frame_count 등을 꺼낼 수 있습니다.

fourcc

FourCC는 영상 코덱을 4글자 코드로 식별하는 값을 말합니다.

코덱이란 일반적으로 모든 프레임의 정보를 압축 알고리즘 없이 그대로 저장하면 용량이 너무 커지기 때문에 이를 codec를 이용하여 작언 영상으로 압축하여 보여주는 것을 말합니다.

영상에는 보통 영상 및 음성 데이터 모두 압축되어 저장되며 코덱의 종류로는

H.264: 흔하며 호환성 좋음
H.265 / HEVC: H.264보다 더 높은 압축률 + 높은 연산량
VP9: 높은 압축 효율 및 최신
MJPEG: 각 프레임을 JPEG처럼 압축. 단순하고 용량이 큼

이런 형태의 코덱들은 fourcc = cv4.VideoWriter_fourcc(*"CODC") 와 같이 사용할 수 있으며 out = cv2.VideoWriter("mix.avi", fourcc, fps1, (width, height)) 와 같이 사용할 수 있습니다. 여기에서 확인할 것은 마지막의 인자 순서가 (width, height)라는 점입니다.

cv2의 연산

cv2는 이미지에 대한 연산기능을 제공해줍니다.

cv2.resize(img, (w, h)): 이미지를 리사이징 해줍니다.
cv2.cvtColor(img, cv2.COLOR_BGR2GRAY): 2번째 속성을 이용하여 이미지의 색상 형식을 변경해줍니다.
- COLOR_RGB2GRAY: RGB를 GRAY로 변경해줍니다.
- COLOR_BGR2RGB: BGR을 RGB로 변경해줍니다.
cv2.flip(img, 1): 이미지를 뒤집어줍니다
- +1: 좌우 반전
- 0 : 상하 반전
- -1: 상하 + 좌우
cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE): 이미지를 회전시켜줍니다. COUNTERCLOCKWISE도 존재합니다.

아래와 같은 단순 연산 또한 존재합니다.

cv2.add(img_gray, 100)
cv2.add(img_color, 100)
cv2.subtract(img_gray, 100)
cv2.multiply(img_gray, 2)
cv2.divide(img_gray, 2)

후기

아직 OpenCV는 cv2 모듈을 이용하여 상수, 함수, 클래스를 모두 사용하는 모듈이였습니다.

최근에 프로젝트를 하느라 블로그를 소홀히 한거같아 앞으로 한동안 머신러닝 및 AI 쪽으로 더 공부를 할 생각입니다.

[OpenCV] 이미지와 영상의 데이터 조작

hurwan — Tue, 1 Sep 2026 09:16:29 +0900

[데이터 조작] 이미지와 영상의 데이터 조작

이번에는 이미지와 영상 데이터의 구성에 대해서 알아보며 이것들 조작하는 방법에 대해서 알아보겠습니다. 글은 OpenCV 코드와 함게 작성됩니다.

fps: 어떤 속도로 다음 이미지를 보여줄 것인지 (Frame Per Second)
frame: 영상을 구성하는 여러 이미지중 하나의 이미지입니다.
time: 몇번째 또는 어떤 시점에 배치되는지에 대한 정보입니다.
Codec: COder + DECoder 에서 나온 말로 여러장의 이미지 데이터를 압축하며 이를 디코딩하는 알고리즘을 뜻합니다. 대표적인 알고리즘은 다음이 있습니다.
- H.264: 흔하며 호환성 좋음
- H.265 / HEVC: H.264보다 더 높은 압축률 + 높은 연산량
- VP9: 높은 압축 효율 및 최신
- MJPEG: 각 프레임을 JPEG처럼 압축. 단순하고 용량이 큼
- 대표적인 인코딩 개념은 여러 이웃 프레임에서 변경된 정보를 표현하는 방식이 존재합니다.
Encoding & Decoding: Codec 규칙을 이용하여 데이터를 압축 및 해석하는 과정을 말합니다.

아래에서 이를 구성하는 요소에 대해서 더 상세히 알아보도록 하겠습니다.

I / P / B 프레임

압축에는 여러 이미지 개념이 존재합니다.

I-Frame: 독립적인 완전한 이미지에 가까움
P-Frame: 이전 프레임을 참고하여 변형된 데이터
B-Frame: 이전 + 이후 프렐임을 참고합니다.

아래로 갈수록 복원을 위해서 다른 프레임의 영향을 크게 받습니다.

FourCC

FourCC는 Four Character Code라는 4글자로 식별된 코ㅗ드를 말합니다.

OpenCV에서는 다음과 같은 문법으로 표현하게 됩니다.

# * 연산자는 *"mo4v" == "m", "p", "4", "v"로 풀어주는 언패킹 연산자입니다.
fourcc = cv2.VideoWriter_fourcc(*"mp4v")

fourcc = cv2.VideoWriter_fourcc(*"H265")

주의할 점으로는 FourCC와 Codec를 동일시하면 안된다는 점입니다.

FourCC는 Codex/영상 포맷을 식별하기 위한 코드에 더 가까워 H.265 계열도 환경이나 Container에 따라서 H264, X265, avc1과 같은 식별자로 나타날 수 있습니다.

따라서 Codec는 압축 기술, FourCC는 그 기술을 나타내기 위해서 사용되는 식별 코드라고 할 수 있습니다.

Container

Container Format는 여러 데이터를 담는 상자를 의미합니다.

예를 들어서 .mp4가 있으면 그 파일 안에는 다음과 같은 정보가 존재할 수 있습니다.

# video.mp4
- VideoStream: H.264
- Audio Stream: ACC
- Subtitle: 부제목
- Metadata
  - 지속 시간
  - 생성 시간
  - 등등

Container의 종류에 따라 여러가지 내부 Codec가 존재할 수 있습니다.

Pixel Format

픽셀의 종류에도 BGR, RGB, GrayScale, HSV, YCbCr 등과 같은 표현 방식이 있으며 예를 들어 RGB는 흔히 아는 빨강, 초록, 파랑을 의미하며, YCbCr은 순서대로 밝기, 파랑, 빨강을 의미하는 방식으로 셀들이 구성되게 됩니다.

평활화

평활화는 데이터를 저장하는 방식이 아닌, 셀들의 분포가 한쪽으로 몰려있을 때, 이를 골고루 분포하게 만들어주는 기술을 말합니다.

평활화에는 크게 2가지가 존재합니다.

히스토그램 평활화: 명암 분포를 고르게 만드는 것
공간적 평활화: 주변 픽셀을 이용해서 노이즈를 줄이는 것

히스토그램 평활화

이는 CDF(누적 분포)를 이용하여 밝기 정보들을 넓게 펼쳐주는 방식을 말합니다.

이는 결국 이미지를 명암 대비로 크게 만들어주는 효과를 만들어줍니다.

이는 특정 밝기 값에 대해서 그 밝기보다 작은 밝기들의 비율만큼 새로운 범위로 재배치하는 방식을 말합니다.

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

result = cv2.equalizeHist(gray)

Smoothing 평화화

이미지의 픽셀값이 한쪽만 툭 튀어나와 있는 경우, 주변 픽셀값들을 참고하여 부드럽게 만드는 것을 의미합니다.

주된 목적은 다음과 같습니다.

노이즈 제거
작은 변화 제거
이미지를 부드럽게 만들기

이때 평활화를 위해 이동시키면서 계산을 해주는 커널이라는 작은 행렬 (보통 3x3, 5x5)이 존재합니다.

커널은 아래 2가지를 통해 이미지의 전체 데이터를 새롭게 계산해줍니다.

행렬의 위치별 값
계산 방식
평균 블러: 커널 크기만큼의 픽셀들의 평균을 구해서 가운데 픽셀로 사용하게 됩니다. 단순하고 빠르지만 경계선까지 많이 흐려집니다.
가우시안 블러: 가운데 픽셀쪽으로 갈수록 더 높은 가중치를 주어 평균을 구합니다. 특별한 이유가 없다면 노이즈 제거에 많이 사용됩니다.
중앙값 블러: 픽셀들을 정렬하여 중앙값을 사용합니다. Salt-and-Pepper-Noise라는 흰색/검정 픽셀이 튀는 노이즈를 해결하는데 좋습니다.

# 평균 블러
mean_blur1 = cv2.blur(img, (3, 3))
mean_blur2 = cv2.boxFilter(img, -1, (3, 3))

# 가우시안 블러 (3번째 인자를 0으로 하면 opencv가 계산할 요소들을 기준으로 sigma를 자동 결정)
gaussian_blur = cv2.GaussianBlur(img, (3, 3), 0)

# 중앙값 블러 (숫자 하나만 사용)
median_blur = cv2.medianBlur(img, 3)

[랭체인 중간프로젝트] 데이터베이스 설계 병합 전 체크

hurwan — Mon, 31 Aug 2026 16:48:58 +0900

2026-08-31 15:54:13

데이터베이스 리뷰

현재 제가 직접 작성하고 gpt한테 제약조건을 넣어달라 요청을 한 상태로 한번 리뷰를 해보겠습니다.

1. 개요

일단 service 스키마의 테이블은 총 12개로

사용자 및 일반 서비스

users: 사용자 기본
user_profiles: 사용자 러닝 선호도
running_goals: 주간/월간 목표
inquries: 문의경로 찾기 및 추천
route_bookmarks: 사용자가 즐겨찾기한 경로
point_bookmarks: 경유지 즐겨찾기
route_requests: 사용자의 요청 정보
route_request_points: 요청 정보에 달려있는 출발/목적지 포인트
route_recommendations: 추천 경로 후보 (현재는 3개)
route_points: 추천 경로 후보에 달려있는 포인트들 N개 (많을 수 있음)사용자 추적
running_sessions: 사용자 러닝 1개 기록
running_trackpoints: 사용자 러닝 기록 하나에 대해서 주기적으로 뽑은 gps 및 기타 정보

가 존재하며 datasets스키마는 총 8개 존재합니다.

convenience_stores: 편의점
public_toilets: 공중화장실
streetlights: 가로등
security_lights: 보안등
cctvs: CCTV
parks: 도시공원 (polygon은 가능하면 넣기)
pedestrian_roads: 보행자 전용 도로

2. `service.*` 테이블

users

로그인 아이디는 UNIQUE로 존재하며 탈퇴 시 사용자의 아이디는 withdraw_[id]_<random>으로 갈 예정입니다.

전화번호는 이때 NULLALE로 삭제시키며 UNIQUE 또한 넣을 생각입니다.

사용자가 정지를 먹을 때에는 영구정지를 당할 수 있으며 이때에는 status=SUSPENDED, suspended_until=NULL 상태가 됩니다. 이외의 경우에는 status=SUSPENDED, suspended_until=????-??-?? 상태이빈다.

user_profiles

사용자가 러닝을 할 때 서버에서 참고할 값입니다. 사용자마다 선호도가 다르기 때문에 이를 다르게 설정할 예정입니다.

users 테이블과 1:1 매칭이며 weight, height 는 기본으로 받고, 알고리즘 및 데이터에 따라 running_settings 형태를 바꿀 예정입니다.

profile_image_url은 서버에 하드코딩을 박아둔 뒤 랜덤으로 이미지를 제공하는 형태로 사용할 예정입니다. 또는 프론트에서 직접 고정 이미지를 보여주는 방식을 사용할 수 있습니다.

running_settings를 더 구체적으로 잡을 필요가 있는데 일단 이건 그대로 두고 늦어도 수요일까지 수정하는 방향으로 가려고 합니다.

running_goals

사용자가 월간 또는 주간 러닝 목표로 잡을 수 있게 만들 예정이며 일부러 기간은 2가지만 만들엇기 때문에 goal_type는 WEEKLY와 MONTHLY 2가지만 존재합니다.

사용자가 아무때나 시작 및 종료가 가능하며 상태에 따라 종료 시간, 실패 시간, status 등이 설정되게 됩니다.

NULLABLE 한 finished_at가 존재합니다.

point_bookmarks

그냥 사용자가 임시로 빠르게 찾아가기 위한 point 와 name 가 붙어잇는 데이터입니다.

route_requests

사용자의 프롬프트, 알고리즘 입력 조건(사용자가 입력할수도 있고, llm이 넣어준 것일 수 있습니다.)

selected_recommendations_idx는 사용자가 선택하기 전까지는 NULL이며 사용자가 중간에 앱을 끄면 특별한 일이 없으면 영원히 NULL로 남게 됩니다.

route_request_points

사용자 요청에 N개로 달려있는 포인트입니다.

route_recommendations

알고리즘이 생성한 경로 후보로 메타데이터가 존재하며 정확히 지나는 지점들은 아래에 존재합니다.

route라는 전체 연결 geometry(LineString, 4326) 가 존재합니다.

route_points

후보 경로에 포함된 주요 지점입니다.

route_bookmarks

러닝 코스 자체를 북마크 합니다. 특별한 내용은 없습니다.

running_sessions

사용자의 러닝 기록을 대표하는 내용입니다.

처음에는 NULL이였다가 기록 시에 running_trackpoints로 집계되는 average_pace가 있습니다.

running_trackpoints

주기적으로 프론트에서 보내주거나 캐싱하여 한번에 주는 사용자 러닝 실시간 기록입니다.

inquiries

사용자가 요청/관리자가 답변하는 내용입니다.

특별한 내용은 없습니다. 딱히 알람 등과도 연동되지 않습니다.

3. `datasets.*` 테이블

정제한 .csv 파일을 DB에 올린 테이블들 입니다.

테이블은 아래와 같습니다.

convenience_stores: 편의점
public_toilets: 공중화장실
streetlights: 가로등
security_lights: 보안등
cctvs: CCTV
parks: 도시공원 (polygon은 가능하면 넣기)
pedestrian_roads: 보행자 전용 도로

가 있으며 모두 위경도 데이터이며 마지막의 보행자 전용 도로는 geometry(LineString, 4326)이 포함되어있습니다.

또한 parks의 겨우에는 데이터를 찾아서 polygon으로 만들면 좋지 않을까 생각합니다.

모든 geometry 데이터에는 index가 붙어져있습니다. (초기에 데이터를 많이 넣고 수정은 사용자 사용시에 거의 일어나지 않기 때문입니다.)

[랭체인 중간프로젝트] 중간 팀 과제와 주말 보고

hurwan — Mon, 31 Aug 2026 16:03:20 +0900

중간 팀 과제와 주말 보고

강사님이 내주신 과제 진행 방향과 그동안 한것들을 좀 정리 하였습니다.

1. 중간 프로젝트

각자 한 작업들

재빈/건희

알고리즘 탐색

다익스트라 알고리즘을 하면 출력에 오류가 생길 수 있다.
가중치를 설정했을 때 도로 A가 거리가 300m + 가로등 적음 / 비용 등이 없을 수 있음 -> 점수에 따라서 다익스트라는 사용자 요구가 A보다 다른것에 가까운 알고리즘이 있을 수 잇음
파이프라인 설계 기법 고려중

한빈/승연

닉네임 중복은 아님. (잘못된 표기)
이메일은 없애는걸로
프로필 이미지는 서버에서 자유 지정
api 수요일 ~ 목요일

허완

docker + fatapi + node + postgis의 프로젝트 실행 환경 및 인프라 구축
TypeScript 등 공부하며 dto 더 깔끔하게 잡는중
DB 업데이트 (스키마 2개짜리 단순한 마이그레이션)

09/02 까지 할일

전체

Docker 깔기 (09/07까지)
백엔드
알고리즘 양쪽 입출력 구체적으로
대략적인 알고리즘 계획 (템플릿) 채워오기

프론트

만들어져있는 프론트 api 요구사항 명세서 작성해주기

인프라

TypeScript 및 인터페이스 규격 맞추기
가능하면 repository 계층까지 와

2. 과제

강사님이 내주신 팀 과제를 하기 위해 역할을 분담하였습니다.

최한빈: 1, 3, 4번 환경 및 기본 구축
이승연: 2번 영상 필터 3개 자유
윤재빈/허완: 5번 AI 모델 2개 테스트해서 좋은거 채택하기
- 윤재빈: Resnet
- 허완: 한번 찾아보고 AlexNet 복기 또는 겹치지 않는 무언가 사용해보기로함.

수요일까지 해오기로 하였습니다.

[머신러닝] OpenCV 시작

hurwan — Mon, 31 Aug 2026 08:36:32 +0900

[머신러닝] OpenCV 시작

이번에는 OpenCV 진도를 시작함에 따라 복습할 겸 내용을 정리해보았습니다.

이는 이미지를 읽고 변환하는데 강점을 보이는 라이브러리입니다.

1. 이미지 읽기

기본적으로 OpenCV는 이미지를 읽는 기능을 제공합니다.

import cv2

img = cv.imread("경로_문자열.png")

print(type(img))
# <class 'numpy.ndarray'>

또한 로딩 옵션으로 다음과 같이 설정 또한 가능합니다.

# 컬러 이미지 로드
cv2.imread(path, cv2.IMREAD_COLOR)

# 흑백 이미지 로드 ([H, W)
cv2.imread(path, cv2.IMREAD_GRAYSCALE)

배열 순서

여기에서 반환값은 기본적으로 Numpy 배열로 컬러 이미지면 보통 [H, W, C] 형태로 반환되게 됩니다.

이러한 특징은 PyTorch의 [C, H, W] 형태와 대조되어 향후에는

tensor = torch.from_numpy(img)
tensor = tensor.permute(2, 0, 1)

과 같은 코드가 나올 수 있습니다.

BGR

OpenCV에서 채널의 기본 순서는 { 0: B, 1: G, 2: R } 입니다.

rgb = cv2.cvtColor(
  img,
  cv2.COLOR_BGR2RGB
)

dtype

또한 보통 이미지의 경우에는 dtype=uint8이며 픽셀 범위 0~255를 표현하게 됩니다.

PyTorch 모델에 넣을 때는 보통 uint8에서 float32타입으로 변환한 뒤 다시 0~1로 정규화 변환을 하게 됩니다.

img = img.astype("float32") / 255.0

`imread()` 실패

OpenCV는 imread(path)에 이미지가 없는 경우, 경우에 따라 예외 대신 None 값을 반환하게 됩니다.

따라서 다음과 같이 유효성 검사를 하는 것도 좋은 방법입니다.

img = cv2.imread("???.jpg")

if img is None:
  print("image not exists")

2. 이미지 띄우기

OepnCV는 imshow(panel_name, img_ndarray)를 통해 화면을 그리는 기능을 제공해줍니다.

destroyAllWindows()를 이용하여 OpenCV가 만든 GUI 창을 모두 닫을 수 있습니다. 특정 창만 제거하기 위해선 cv2.destroyWindow("panel_name")를 이용할 수 있습니다.

3. 영상 읽기

OpenCV에서는 영상 읽기 또한 제공하여 다음과 같은 코드를 이용하여 영상 매체 정보를 가져올 수 있습니다.

# 파일 읽어오기
cap = cv2.VideoCapture("video.mp4")

# 웹 캠 읽어오기 (스트림 객체 번호)
cap = cv2.VideoCapture(0)

if not cap.isOpened():
  print("video not detected")

또한 이후에는 cap.read()를 이용하여 ret, frame 값을 받을 수 있습니다.

ret는 bool 타입의 읽기 성공 여부 값이며 frame는 실제 한 프레임의 이미지 Numpy 배열입니다.

ret는 마지막 영상의 마지막 또는 카메라 프레임을 읽는 것에 실패하게 된다면 False를 반환합니다.

따라서 보통 if not ret: brerak cap.read() 아래에 넣습니다.

또한 마지막에 카메라를 잡은 경우에, 카메라를 계속 점유하지 않기 위해서 cap.release()를 작성할 필요가 있습니다.

또한 cap.get(cv2.CAP_*) 을 이용하여 fps, width, height, frame_count 등을 꺼낼 수 있습니다.

[랭체인 중간프로젝트] 서버 구조 및 DB, 워커, 인터페이스 준비

hurwan — Sun, 30 Aug 2026 15:36:21 +0900

[랭체인 중간프로젝트] 서버 구조 및 DB, 워커, 인터페이스 준비

로그 - 2026-08-30 10:44:26

어제까지 사전 공부를 하였던 TypeScript, Python Worker & 프로세스/FD/파이프 개념, PostGIS 등을 이용하여 이제 프로젝트 구조를 대강 잡아보기 시작하려 합니다.

1. 현재 상태 복기

우선 어제 문맥을 기억해내기 위해 npm list를 찍어보았습니다.

PS C:\LANG_CHAIN_2026\MidProject\test\05_HeoWan\ServerArchitecture\test_01> npm list

runstop-server-design@1.0.0 C:\LANG_CHAIN_2026\MidProject\test\05_HeoWan\ServerArchitecture\test_01
├── @types/bcrypt@6.0.0
├── @types/express@5.0.6
├── @types/jsonwebtoken@9.0.10
├── @types/node@26.4.0
├── @types/pg@8.23.1
├── bcrypt@6.0.0
├── cross-env@10.1.0
├── dotenv@17.4.2
├── express@5.2.1
├── helmet@8.3.0
├── jsonwebtoken@9.0.3
├── pg@8.23.0
├── pino-http@11.0.0
├── pino@10.3.1
├── tsx@4.23.12
├── typescript@7.0.2
└── zod@4.5.2

일단 깔려져 있는 것은 기억이 났습니다.

일단 환경변수를 먼저 만들고, docker 및 서버를 한번 실행시킨 뒤 돌아가는 형태를 기준으로 늘려나가는 것이 합리적이라 이전에 맞아본 기억을 바탕으로 판단하여 일단 .env*, Dockerfile, docker-compose, db-init, import, seed, migration 등을 먼저 만들 생각입니다.

또한 .env* 파일의 경우에는 docker-compose.yml에서도 사용해야 하기 때문에 프로젝트 루트 레벨에 docker-compose.yml을 같이 두는 형태로 사용하였습니다.

.env.example은 실제로 .env에 쓰이진 않고, 다른 NODE_ENV를 가지는 환경의 템플릿 정도로 사용하였으며 이후 Dockerfile을 이용하여 Node, Python Worker, React Native를 빌드하기 위해 사용할 예정입니다.

2. Docker 환경 준비

Docker Compose 문법 간단히

참고로 docker-compose의 환경 변수는 표기 및 사용법이 살짝 햇갈리기 때문에 미리 정리하고 가면

${VAR}: Docker Compose가 docker compose up 하기 전에 해석하여 치환됩니다.
$${VAR}: Compose가 $ 하나를 이스케이프 하며 이후 컨테이너 shell에서 사용합니다. (컨테이너 내부 환경변수 참조)
${{SECRETS.?}}: GitHub Actions에서 CI workflow 실행중 사용
environment: Docker Compose에서 컨테이너 실행 환경변수를 주입해줍니다.
env_file: Docker Compose에서 파일의 env를 컨테이너에 주입해줍니다.

예를 들어 다음과 같은 스크립트를 보면

services:
  api:
    image: my-api:${IMAGE_TAG}
    environment:
      NODE_ENV: ${NODE_ENV}
      DB_HOST: ${DB_HOST}
    command: sh -c 'echo $${NODE_ENV}'

와 같이 사용될 수 있습니다.

${}는 이미 넣어져서 실행되며 $${NODE_ENV}는 컨테이너 내부의 shell에서 환경변수를 참조하는 형태로 사용됩니다.

특수하게 ${{}}를 통해 GitHub Actions에 쓸 수 있지만 일단 현재 상황과 관계 없으니 넘어가겠습니다.

environment는 컨테이너를 생성할 때 그 컨테이너의 환경변수로 미리 넣어놓을 키값들을 의미합니다.

또한 리스트, [], key-value 형식으로 사용할 수 있으며 다음과 같이 작성할 수 있습니다.

`-` 리스트 방식 - Block Sequence

services:
  api:
    environment:
      - NODE_ENV=production
      - PORT=3000

`[]` 리스트 방식 - Flow Sequence

services:
  api:
    environment: [NODE_ENV=production, PORT=3000]

`key-value` 방식 - Mapping

services:
  api:
    environment:
      NODE_ENV: production
      PORT: 3000

위와 같은 방식 3가지를 모두 지원하는 방식이 있으며 특정 요소만 지원하는 방식이 있으니 현재는 이런 방식의 나열법이 있는 것만 이해하는 것이 좋습니다.

Docker Compose 대상 설정

React Native의 경우에는 설치형이기 때문에 따로 docker-compose가 필요 없다고 생각이 들어서 그냥 Node, Python Worker, Database만 compose에 올리기로 하였습니다.

일단 프로젝트 구조를 확인하면

MidProject/
├─ frontend/                 # React Native
│
├─ backend/                  # Node.js Server
│  ├─ Dockerfile
│  ├─ src/
│  └─ package.json
│
├─ routing-worker/           # Python Worker
│  ├─ Dockerfile
│  ├─ src/
│  │  ├─ worker.py
│  │  ├─ algorithm/          # 경로 후보 생성
│  │  ├─ features/           # 경사/시설 등 계산
│  │  └─ ranking/            # AI 후보 선택
│  ├─ models/
│  └─ requirements.txt
│
├─ data/                     # CSV / SHP 등 원본 데이터
│
├─ infra/
│  └─ db/
│     ├─ migrations/
│     ├─ seeds/
│     └─ imports/
│
├─ docker-compose.yml
└─ README.md

와 같은 형태입니다.

Docker Compose 먼저 작성해보기

2026-08-30 12:40:01
우선 계속 고민만 하고있으면 진행이 안되니 먼저 docker-compose를 작성해보겠습니다.

# MidProject/docker-compose.yml

  # # # # # # # # # # # # # # # # # # # # # # # # # # # #
 #     다음과 같은 구조를 가지고 있다는 가정 하에 동작합니다.    #
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
#  MidProject/                                            #
#  ├─ .env.development                                    #
#  ├─ .env.test                                           #
#  ├─ .env.production                                     #
#  ├─ docker-compose.yml                                  #
#  │                                                      #
#  ├─ backend/                                            #
#  │  └─ Dockerfile                                       #
#  │                                                      #
#  └─ routing-worker/                                     #
#     └─ Dockerfile                                       #
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # #

services:
  backend: # Node 서버
    build: # `./backend/Dockerfile` 을 빌드합니다.
      context: ./backend
    env_file:
      - .env.development
    ports:
      - "3000:3000"
    depends_on: # DB와 워커 FastAPI가 먼저 시작 후 실행 (healthcheck를 이용해서 서버 정상동작까지 가능)
      - database
      - routing-worker

  routing-worker:
    build: # `/routing-worker/Dockerfile` 을 빌드합니다.
      context: ./routing-worker
    env_file: # 메인 폴더의 환경을 그대로 사용합니다.
      - .env.development

    # ports는 워커 테스트 시에만 사용
    # ports: # FastAPI의 기본 포트인 8000번을 호스트의 포트와 연결시킵니다.
    #   - "8000:8000"

  database:
    # PostGIS Extention이 붙어있는 17-3.5 버전을 거져옵니다.
    image: postgis/postgis:17-3.5
    env_file: # 동일한 파일에서 환경변수를 관리해줍니다.
      - .env.development
    ports:
      - "5432:5432"
    volumes: # 컨테이너 데비안의 /var/lib/postgrersql/data에 있는 데이터를 볼륨으로 영속화합니다.
      - postgres-data:/var/lib/postgresql/data

volumes:
  postgres-data:

환경변수 템플릿은 다음과 같이 작성하였습니다.

# MidProject/.env.example

# # # # # # # # # # # # # # # # # # # # #
#        Node Server [API Server]       #
# # # # # # # # # # # # # # # # # # # # #

# 실행 환경
#   - 개발: development
#   - 테스트: test
#   - 배포: production
NODE_ENV=development

# Node 서버 포트
PORT=3000

# JWT 시크릿
JWT_SECRET=



# # # # # # # # # # # # # # # # # # # # #
#        Python Worker [FastAPI]        #
# # # # # # # # # # # # # # # # # # # # #

# Docker Compose 내부에서 localhost 대신 service 이름을 hostname로 설정
# > compose 내부에 있는 docker-network를 사용
WORKER_URL=http://routing-worker:8000

# 로컬용 WORKER_URL
# WORKER_URL=http://localhost:8000



# # # # # # # # # # # # # # # # # # # # #
#               데이터베이스              #
# # # # # # # # # # # # # # # # # # # # #

# Docker Compose 내부에서 서버/워커 -> database:5432 로 통신
DATABASE_URL=postgresql://postgres:1234@database:5432/runstop

# 로컬용 DATABASE_URL
# DATABASE_URL=postgresql://postgres:postgres@localhost:5432/runstop

POSTGRES_DB=runstop
POSTGRES_USER=postgres
POSTGRES_PASSWORD=1234

Dockerfile 작성

2026-08-30 13:06:24

이제 backend/와 routing-worker/을 빌드하기 위한 Dockerfile을 작성하겠습니다.

3. Python 서버 이미지 생성

2026-08-30 14:37:51

파이썬 도커 이미지 빌드부터 실행까지 테스트하였습니다.

4. Node 서버 이미지 생성

노드서버 또한 이미지 생성을 테스트해주었습니다.

5. PostGIS 이미지 테스트

postgis/postgis:17-3.5 도커 이미지를 테스트하였습니다.

6. Docker Compose로 묶어주기

각각 테스트했던 Node, Python Worker, PostGIS를 docker-compose.yml을 통해 묶어주었습니다.

잘 올라가집니다.

7. 다음으로 할일

현재까지는 각각의 서버와 데이터베이스를 Docker 이미지로 만들고, docker-compose를 통해 같이 실행할 수 있는 상태까지만 만들어주었습니다.

이후에는 다음 순서로 진행하려 합니다.

Node / Python 기본 구조
Health 기준 최소 정의
env 규격 정리
Docker Compose 통합
DB schema / migration / seed / import
DTO / interface 고정
Node ↔ Python ↔ DB 통합
외부 API Adapter
테스트 CI
데이터베이스 레포지토리 계층 작업

현재는 일단 전체 기능을 구현하기보다는 Node, Python Worker, Database가 정상적으로 실행되고 서로 연결될 수 있는 최소 구조부터 만들어나갈 생각입니다.

뭔가 시간을 약 5시간정도 쓴거같은데 이제 시작이 된 느낌이랄까요?

[Computer Science] 프로세스의 스케줄링과 CPU 모드 개요

hurwan — Sun, 30 Aug 2026 12:32:57 +0900

[Computer Science] 프로세스의스케줄링과 CPU 모드 개요

이전 자식 프로세스와 통신에 대한 글에서 이어집니다.

병렬성과 동시성의 구분

컴퓨터 안에서는 CPU코어가 여러개 존재하는 것을 알 수 있습니다.

아래의 사진에서는 현재 컴퓨터의 cpu 코어 개수, L1, L2, L3 캐시 등을 확인할 수 있습니다.

이때 CPU 코어 1개는 동시에 여러개의 프로세스를 작업대상으로 둘 수 있습니다.

이때 프로세스가 4개가 등록되어있어도 하나의 코어는 하나의 프로세스만을 진행시킬 수 있습니다.

이를 프로세스의 동시성이라고 불립니다.

또한 이러한 여러 코어가 동시에 동일한 시각에 다른 프로세스들을 실행시키고 있다면 그것을 병렬성이라고 부르게 됩니다.

프로세스의 CPU 점유

프로세스 상태에는 크게 다음과 같은 상태가 존재합니다.

RUNNING
SLEEP
BLOCK
RUNABLE

이는 자열스럽게 흐름이

CPU가 실행중인 프로세스
CPU 사용 시간이 끝난 프로세스
다시 실행할 준비가 된 프로세스
다시 CPU 할당 후 실행된 프로세스

로 볼 수 있습니다.

또한 I/O작업 시에는 read()등과 같은 작업 시에 CPU를 통해서 해결할 수 없는 대기 작업이 있어야하는 경우, SLEEP 또는 BLOCKED 상태가 되어 대기가 끝날때까지 다음 실행을 하지 못하는 상태가 됩니다.

스케줄러

CPU에는 Scheduler이라는 개념이 존재하여 실행을 대기하는 큐에 존재하는 여러 프로세스중에서 하나를 골라 실행하게 됩니다.

이후 time interrupt등과 같은 인터럽트가 발생하게 된다면 CPU가 커널모드로 변경되어 스케줄링을 판단하며 진행중인 프로세스 상태를 프로세스 메모리에 저장한 뒤 다음 프로세스 상태를 레지스터로 가져오게 됩니다.

이러한 OS가 프로세스의 실행 상태를 강제로 관리하는 것을 preemptive multitasking(선점형 멀티태스킹)이라고 부릅니다.

프로세스를 예시로 보기

예를 들어 파이썬에서 sys.stdin.readline()를 호출하게 된다면 파이썬 프로세스는 자신의 표준 입력창 버퍼를 확인하려 하게 됩니다. 내부적으로는 read(fd, buffer, size)와 같은 C 수준의 코드가 실행되게 됩니다.

하지만 이때 Pipe가 비어있는 상황이라면 파이썬은 None 등을 반환하는 것이 아닌 \n을 받을 때까지 대기상태가 되게 됩니다.

이때 파이썬이 계속 CPU를 이용하며 데이터가 있는지 확인을 하면 CPU의 손실이 일어나게 됩니다. 이를 busy waiting이라고 합니다.

위와 같은 방식보다는 보통 반대로 OS가 파이썬 프로세스에 데이터가 들어오기 전까지 SLEEP 상태로 변경시키게 됩니다.

이후 CPU는 다른 프로세스에서 사용되게 됩니다.

하지만 나중에 데이터가 들어오게 되면 커널이 나중에 파이썬 프로세스를 다시 깨워줄 필요가 생기게 됩니다.

이를 해결하는 것이 파이프 관련 커널 구조 안에 Wait Queue와 같은 해당 파이프의 데이터를 기다리고 있는 task의 큐를 저장하는 자료구조가 존재합니다.

이후 다른 프로세스 또는 네트워크 등을 통해 네이터가 해당 파이프 버퍼안에 들어오게 된다면 해당 파이프의 wait queue에 존재하는 프로세스(파이썬)를 깨워서 파이썬의 상태를 RUNNABLE로 바꾸게 됩니다. 이는 바로 실행하는 것이 아닌 다시 실행 대상에 포함된다는 의미를 가집니다.

여기에서 구분이 생기는데 프로세스 관점에서 I/O 작업을 2가지로 나눌 수 있습니다.

BLOCKING: 해당 요청에 대한 응답이 생길때까지 SLEEP 되어야하는 IO작업
NON-BLOCKING: 해당 요청에 대한 응답이 생기지 않아도 일단 진행하며 나중에 사용자 쪽에서 이벤트 또는 직접 확인 을 하여 결과물을 사용하는 방식

반대로 write() 작업의 경우에도 버퍼가 가득 찼을때 어떻게 할 것인지를 BLOCKING, NON-BLOCKING를 기준으로 나눌 수 있습니다.

CPU의 사용자 모드와 커널 모드

CPU가 프로그램을 실행한다고 할 때 사용자 프로그램에 CPU의 모든 권한을 줄 수는 없습니다.

이는 메모리, 디스크, 네트워크, CPU 점유 등과 같은 조작을 모르는 사용자의 프로그램을 대상으로 마음대로 가능하게 할 수 없기 때문입니다.

이를 해결하기 위해 CPU 자체가 권한 수준을 지원하도록 설계되어있습니다.

x86 cpu 아키텍처에는 privilege ring(보호 링)이라는 개념으로 Ring 3은 사용자모드, Ring 0은 커널모드를 주로 사용한다고 합니다. (1, 2는 주로 사용하지 않는 것으로 알고있습니다.)

보통 사용자 모드(Ring 3)에서 OS에서 제공하는 시스템 콜 명령어를 이용하여 커널에 특정 작업을 요청하게 되면 커널쪽에서 해당 작업을 대신 안전하게 처리해주는 방식입니다. (은닉화)

나중에는 한번 직접 시스템 콜을 이용한 특정 OS 프로그램을 만드는 것도 재밌을 것 같습니다.

CPU가 `Ring 0`, `Ring 3`을 전환하는 방법

보통 CPU가 커널모드로 진입하는 과정은 Exception, Interrupt, System Call 등과 연결되어 있습니다.

이를 보통 이벤트라고 부르기도 하며 시스템 콜과 함께 의도적으로 커널에 진입하는 경우입니다.

System Call: 사용자 영역에서 의도적으로 커널 모드를 요청하는 것
Interrupt: 외부 장치 등에서 CPU에 이벤트가 발생했음을 알리는 것 (키보드 입력, 네트워크 패킷, 타이머 등)
Exception: CPU가 현재 명령 실행 중 문제 또는 특수 상황 감지 (div 0, Page Fault)
- Fault: 명령을 완전히 끝내기 전에 발생시킨 후 다시 원래 명령 실행 (Page Fault)
- Trap: 실행하던 명령을 끝내고 커널로 넘어가기 (breakpoint, debugging)
- Abort: 심각한 CPU/시스템 오류로 정확한 재시작이 어려운 경우

마무리

매일 아침마다 이런식으로 CS 기초를 알아보는 시간을 가지는데 어느정도 아는 내용도 있고, 모르던 내용도 있습니다.

하지만 가장 좋은 부분은 머릿속에서 약간씩 희미해지던 기억이 다시 선명해지는 기분을 느끼는 것 같습니다.

또한 시스템 콜, 인터럽트, 페이지 폴트, 블로킹 등의 개념은 계속 더 파먹고 싶은 부분이여서 매일 이런 작업을 해나갈 생각입니다.

다음번에는 스케줄링 및 동시성, 경쟁상태 관리에 대해서 정리를 해보겠습니다.

그리고 요즘 개념만 글로 쓰다보니까 약간 머릿속 구체화가 덜 되기도 하는거같아서 한번 기회를 잡아 더 구체적으로 그려낼 수 있게 실제로 코드를 봐야겠다는 생각도 들었습니다.

[랭체인 중간프로젝트] 서버 아키텍처 준비 - 이식성을 고려한 설계 01

hurwan — Sat, 29 Aug 2026 22:02:47 +0900

[랭체인 중간프로젝트] 서버 아키텍처 준비 - 이식성을 고려한 설계

2026-08-29 19:37:32

현재 생각중인 기능
공부하면서 좋은 설계법 고려
환경변수
마이그레이션
멱등성
healthcheck
파이썬 워커 오토스케일링
DTO
외부 API 및 어댑터 규격
사용할 패키지
노드 버전 및 npm
package.json과 tsconfig.json
package.json
tsconfig.json
package.json의 script 작성
진짜 패키지 설치
중간 마무리

현재 08/31까지 팀원들이 작업을 쉽게 할 수 있게 서버쪽 아키텍처를 설계하는 기간을 가지려 합니다.

현재 생각중인 기능

현재 다음과 같은 기능을 미리 생각중입니다.

구분	미리 생각중인 내용
데이터베이스	필요한 `.csv` 파일 `import`
데이터베이스	`service` 스키마에 미리 넣기로 한 요소들을 넣습니다.
서비스 자체 인증인가 기능	jwt 토큰, bcrypt 해싱, 로테이션 키, solapi/coolsms 전화번호 인증, 사용자 정보 받기
로깅 및 전역 예외/에러 catch 기능	팀원이 코드를 짜는 공간을 래퍼로 감싸서 로깅 및 예외를 기본적으로 잡을 수 있게 처리하고싶음
도커 자동화	Dockerfile과 docker-compose를 이용하여 미리 배포가 되는 상태를 기반으로 늘려나가고싶음
마이그레이션 및 `import`, `seed`	방법을 몰라서 공부해야하며 node/python 중 선택을 하거나 양쪽 모두 만들어야함
레포지토리 계층	GIS 함수 사용을 위한 인터페이스와 같은 계층을 미리 만들어두기
인터페이스 및 dto	TypeScript 기준으로 먼저 만들어두기
`package.json`	개발용 스크립트 모두 짜놓기
node, npm	버전 통일화
worker	요청 수에 따라 늘려야할지 고민중
tmap/gpt_api	어느정도 테스트 해야하긴 하지만 위의 것들이 선행되어야 할 예정
aws/git actions	또는 무언가 중에서 뭘 써야할지 고민중

데이터베이스

필요한 .csv 파일 import
service 스키마에 미리 넣기로 한 요소들을 넣습니다. (아래는 현재 임시 테이블 명 입니다.)

임시 테이블 명	설명
`users`	사용자
`user_profiles`	사용자 정보
`inquery`	문의
`point_bookmark`	경유지 즐겨찾기
`running_goal`	사용자 목표
`route_requests`	사용자의 러닝 코스 요청
`running_session`	사용자의 러닝 상태 기록
`running_trackpoint`	특정 주기별로 사용자 gps 및 상태 정보
`route_recommendation`	경로 후보 추린거 3개
`route_point`	경로 지점
`route_bookmak`	경로 즐겨찾기

서비스 자체 인증인가 기능

jwt 토큰 (React Native와 일치하는지 확인해야함)
bcrypt 해싱
로테이션 키 (쓰면 아키텍처가 늘어서 고민중)
solapi/coolsms 전화번호 인증
사용자 정보 받기 (신체정보 등)

추가로 고려중인 것들

로깅 및 전역 예외/에러 catch 기능
- 팀원이 코드를 짜는 공간을 래퍼로 감싸서 로깅 및 예외를 기본적으로 잡을 수 있게 처리하고싶음
도커 자동화 (Dockerfile과 docker-compose를 이용하여 미리 배포가 되는 상태를 기반으로 늘려나가고싶음)
마이그레이션 및 import, seed (방법을 몰라서 공부해야하며 node/python 중 선택을 하거나 양쪽 모두 만들어야함)
레포지토리 계층 미리 만들어두기 (GIS 함수 사용을 위한 인터페이스와 같은 계층)
인터페이스 및 dto 먼저 만들어두기 (TypeScript)
package.json 에 미리 개발용 스크립트 모두 짜놓기 (너무 과하게 말고, dev, test, deploy, build 정도 미리 고려중이며 lint 같은것도 할지 고민됨. TS 프로젝트는 거의 처음이지만 아마 tsx가 있기때문에 테스트나 개발은 문제 없을 것 같음.)
node, npm 버전 통일화
worker을 요청 수에 따라 늘려야할지 고민중
tmap/gpt_api 는 어느정도 테스트 해야하긴 하지만 위의 것들이 선행되어야 할 예정
aws/git actions 또는 무언가 중에서 뭘 써야할지 고민중

공부하면서 좋은 설계법 고려

1. 환경변수

환경변수의 경우에는 3가지로

환경	사용할 내용
`development`	로컬DB, 자세한 로그, 개발 API Key를 사용할 수 있을 것 같습니다.
`test`	테스트 전용 DB, Monk API를 통한 프론트 도움, 테스트 보안 키 등
`production`	실제 DB/API Key와 구현된 API들, 진짜 필요한 로그들을 추려서 정리할 예정입니다.

스크립트의 NODE_ENV를 이용하여 development, test, production으로 나누어낼 생각입니다.

2. 마이그레이션

데이터베이스 마이그레이션은 DDL을 이용한 데이터베이스 버전관리인 것은 알지만 데이터베이스를 다루는 것은 뭔가 민감한 내용인 것 같아서 일단 피하고싶긴 하지만 해야한다면 공부를 해서 하려 합니다.

3. 멱등성

정적 파일을 DB에 올리는 import와 기본 데이터를 올리는 seed 쪽에서 관리를 하는 방법을 알야아할 것 같은데 멱등성이 몇번 반복해서 실행해도 데이터에 문제가 생기지 않음 과 같은 규칙인 것은 아는데 직접 해본적이 없어서 이것도 마이그레이션과 함께 볼 요소입니다.

다음과 같은 코드로 작업을 하는 느낌이라고 찾아보았습니다.

명령어	역할
`npm run db:migrate`	DDL 실행
`npm run db:seed`	기본 데이터 (카테고리, 상태 등) 등록
`npm run db:import`	`.csv` 데이터베이스에 업롣

아마 UNIQUE 또는 UPSERT, ON CONFLICT 등과 같은 문법을 이용하는 것이 옳을 것 같습니다.

4. healthcheck

Node 서버에 GET /health, GET /ready를 받아서 server, databse, worker 등의 상태를 반환하기 위해 사용하게 될 것 같습니다.

5. 파이썬 워커 오토스케일링

파이썬 워커또한 CPU 작업인데 반해 작업이 길어질 확률 또한 존재하기 때문에 결과를 캐싱하거나 오토스케일링할 수 있는 구조를 고려해야할 수 있습니다.

일단 현재는 단일 작업을 확인한 다음 Worker Manager을 고려할 수 있을 것 같습니다.

6. DTO

이건 당연하게 도입해야 관리가 쉬울 것으로 보이며 팀원들이 TypeScript를 몰라도 진행할 수 있도록 어느정도 함수 등을 미리 작성해 놓고 규격 또한 만들어놓을 예정입니다.

7. 외부 API 및 어댑터 규격

이 또한 infrastructure을 이용하여

구분

tmap

sms

llm

routeMaker

등과 같이 제작할까 고민중입니다.

8. 사용할 패키지

패키지	생각중인 내용
`express`	웹 프레임워크
`typescript`	타입검사
`TypeScript` 타입이 없는 패키지	`-D @types/`를 추가하기 (`package.json`에 `types` 또는 `typings`가 있으면 자체 타입을 포함한 경우가 많다고 하며 없으면 에러가 나니 확인 가능합니다.)
`zod`	런타임 데이터 검증 및 DTO 검증
`bcrypt`	크립토
`jsonwebtoken`	jwt
`helmet`	빠른 로깅 라이브러리 (console.log 대신 구조화된 로그를 남김)
`pino`	Express에 보안 관련 HTTP Header을 자동으로 추가 (서버 기본 보안용)
`pg`	postgres 통신
`pino-http`	pino를 HTTP 요청/응답에 붙여주는 미들웨어
자동 로깅	누가 어떤 API를 호출했고 얼마나 걸렸는지를 자동 로깅
`express-rate-limit`	특정 IP가 API를 너무 많이 호출하는걸 제한
`vitest`	TypeScript/JavaScript 테스트 프레임워크 (Jest와 비슷하지만 Vite 생태계에서 가볍고 빠른편)
`supertest`	Express API를 서버 포트에 열지 않고 없이 테스트 가능

먼저 zod(스키마 검사), pino[-http] (기본 보안), helmet(로깅)을 테스트하고 나중에 여건이 되면 express-rate-limit, vitest, supertest를 넣는 것으로 하겠습니다.

9. 노드 버전 및 npm

항목	버전
Node	`24.18.0` 고정
npm	`11.16.0` 고정

10. `package.json`과 `tsconfig.json`

전체적인 과정은 아무래도

순서	내용
1	TS가 `tsconfig.json`
2	JS가 `package.json`을 이용해서 실행

과 같은 느낌일 것 같습니다. 한번 알아보면

10. `package.json`

package.json은 플젝트 메타데이터와 실행 규칙을 정의하는 파일입니다.

이곳에는 Node 프로그램이 .js를 실행할 대 해당 파일이 속한 package scope의 package.json을 찾아 참고하여 실행합니다.

또한 npm install, npm run * 또한 해당 경로를 찾아 scripts를 읽게됩니다.

package.json에는 다음과 같은 정보가 존재합니다.

항목	설명
name	프로젝트 이름
version	버전
main	기본 진입점
type	Node.js의 런타임의 해석 방식
scripts	`test` 등과 같은 예외를 빼고는 `npm run *`을 정의
dependencies	실제 서버 실행해도 필요한 것
devDependencies	개발/빌드할 때 필요한 것 (npm ci --omit=dev로 제외 가능)

11. `tsconfig.json`

tsconfig.json은 TypeScript 코드를 어떤 규칙으로 검사하고 어떤 JS로 빌드할지를 정하는 파일입니다.

보통 TS 코드 위치, 빌드될 JS 위치, 빌드할 타입 (module: NodeNext, , moduleResolution: NodeNext 또는 module: CommonJS), target을 통한 JavaScipt 버전 선택, types: ["node"]를 통한 Node 타입 사용. strict: true를 통한 타입 검사 엄격하게 진행, sourceMap: true를 통한 에러를 src/와 같은 rootDir를 기준으로 출력하게 해줍니다.

12. `package.json`의 script 작성

"scripts": {
  "test": "tsx-env NODE_ENV=test vitest",
  "dev": "cross-env NODE_ENV=development tsx watch src/server.ts",
  "build": "tsc",
  "start": "cross-env NODE_ENV=production node dist/server.js",
  "typecheck": "tsc --noEmit"
},

과 같이 작성하였으며 npm run start는 docker-compose에서 NODE_ENV를 넣어주지만 일단 로컬에서도 실행할 수 있기 때문에 넣어놓았습니다.

13. 진짜 패키지 설치

이제 위에서 말한 패키지들중 쓸것들만 설치했습니다.

npm install zod pg pino pino-http helmet express jsonwebtoken bcrypt dotenv
npm install -D typescript @types/node @types/express cross-env @types/jsonwebtoken @types/bcrypt @types/pg

중간 마무리

2026-08-29 21:41:21: 일단 시간이 늦어 정리하고 내일 아침에 바로 서버 구조 생성, 마이그레이션, 데이터베이스, 워커 준비를 하도록 하겠습니다.

[타입스크립트] TypeScript 사용법

hurwan — Sat, 29 Aug 2026 18:29:13 +0900

TypeScript

현재 DTO 사용을 위해 타입스크립트 도입을 고려중입니다.

서버 구조를 먼저 잡아주기 위한 인터페이스가 중요한 단계이기 때문에 이를 가능하게 해주는 타입스크립트를 도입하려 합니다.

환경 고려

일단 node 및 npm 버전이 동일해야합니다.

node: v24.18.0
npm: 11.16.0

단순한 테스트

npm install -D typescript tsx @types/node
npx tsc --init
src/index.ts 코드 작성
npx tsx src/index.ts

Result Image

위와 같이 일반적인 js와 다르게 정적 파일검사 경고가 나오며 빌드 시 에러가 타입 에러가 납니다.

명령어의 의미

`-D`

--save-dev라는 의미로 pagckage.json에 devDependencies에 패키지 정보가 추가됩니다. (보통 dependencies입니다.)

--save-dev

`typescript`

TypeScript 컴파일러를 설치합니다.

해당 컴파일러를 이용하여 VSCode가 실시간으로 정적 파일 검사를 할 수 있으며 직접 tsc 명령어를 이용할 수 있습니다.

`tsx`

tsx라는 프로그램을 설치합니다.

tsx는 npx tsx src/index.ts와 같은 명령어를 이용하여 직접 npx tsc, node dist/index.js를 할 필요 없이 바로 실행이 가능합니다.

tsx test

`@types/node`

Node.js 환경에서 제공하는 API인 node:fs, process, Buffer 등은 JavaScript에서 기본으로 제공하는 기능이 아니기 때문에 이를 알기 위해서 @types/node를 이용하여 해당 기능들에 대한 TypeScript 타입 설명서를 알 수 있습니다.

`npx`

npx는 설치된 패키지의 실행 파일을 실행한다는 의미입니다. 아래 이미지에 설치된 tsc 등과 같은 파일을 실행하는 프로그램입니다.

npx tsc

tsc는 TypeScript 프로젝트를 검사하고 설정에 따라 JavaScript를 생성하는 공식 컴파일러입니다.

`--init`

TypeScript 설정 파일을 처음 만들라는 옵션입니다.

해당 설정파일은 보통 tsconfig.json의 형태이며 이는 TypeScript 컴파일러에게 주는 설정파일입니다.

`npx tsc`

tsconfig.json을 읽어서 프로젝트를 검사 및 컴파일하게 됩니다.

tsconfig.json에 { "compilerOptions": { "outDir": "./dist" } } 로 설정해둔다면 dist/ 폴더에 파일이 생성되게 됩니다.

변수

let var: type = typeVar 와 같이 사용이 가능하며 다른 타입을 쓰게 된다면 빌드 또는 테스트 시 에러가 나게 됩니다. 타입을 작성하지 않아도 자동 타입추론이 일어나게 됩니다.

Default Useage

Auto Type Inference

함수 시그니처

function func(a: number, b: string): object {...}와 같이 사용 가능합니다.

Good Use

Occure Error 2

객체 타입

일반객체의 키들에 대한 속성을 줄 수 있습니다.

이를 활용하여 여러가지 작업이 가능하게 됩니다.

다음은 사용자 및 팀을 만드는 예시입니다.

TS Type Test

Enum과 같은 방식의 사용 또한 가능합니다.

TS Enum

타입을 2개 이상 줄 수 있으며 배열 순서도 지정할 수 있습니다.

TS Type

TS Array

함수가 아닌 변수 인터페이스

위에서 설명한 type는 타입에 이름을 붙이는 것입니다.

기존 타입에 표현식에 이름을 붙이는 방식입니다.

인터페이스는 기본적으로 객체의 구조를 정의하는 용도이며 같은 이름을 다시 선언할 수 있습니다.

compare with ts

또한 두 인터페이스를 합쳐서 사용하는 Declaration Merging 같은 문법 또한 사용할 수 있습니다.

Interface declaration merging

함수 인터페이스

함수의 경우에는 call signature를 이용하여 정의할 수 있습니다.

Interface function

[논문] AlexNet 인공신경망 논문 읽으면서 정리

hurwan — Sat, 29 Aug 2026 14:02:56 +0900

심층 합성곱 신경망을 이용한 ImageNet 분류

( ImageNet Classification with Deep Convolutional Neural Networks )

논문을 읽으며 생각을 정리해보는 글입니다.

논문 링크

초록

해당 부분은 어떤 데이터를 이용하여 어떤 결과를 만드는 모델을 만들었는지에 대한 설명입니다.

여기에서 특별하게 보이는 것은 LSVRC - ImageNet Large Scale Visual Recognition Challange라는 대규모 스케일 시각 탐지 대회를 말하는 점입니다.

또한 1000개 종류의 클래스를 분류하는 softmax를 사용하며 비포화 뉴런 (이는 아마 학습률이 0에 가까워지는 현상을 막았다는 것을 말하는 것 같습니다.)과 GPU 기반 합성곱 구현 (GPU를 활용하였다는 이야기 같습니다.)을 이용하였다고 말합니다.

확인해보니 non-saturating neurons는 학습률 포화가 아닌 ReLU를 사용했다는 것을 말합니다. 향후 밑에서 말합니다. 이를 통해서 학습 속도가 빨라졌음을 시사합니다.

또한 정규화 또는 규제 레이어로 알려져있는 Dropout를 사용하여 일부 노드들을 비활성화시켰다고 합니다.

2010 대회의 우승 모델은 1개만 정확히 맞출(정답을 가장 높은 확률로 예측할) 확률이 62.5%, 상위 예측 5개중 맞출 확률이 83%로 1000개 분류중에서 하나 또는 5개를 제안하는 것에 대해 효력있는 선택을 한 것으로 보입니다.

2012년 대회에서는 조금 더 개선된 모습을 보였습니다.

1. 서론

1.1문단

현재 객체인식 방식의 기술에 대해 설명합니다.

성능을 높이기 위해 데이터셋의 양과 모델의 성능을 향상시키며 과적합 방지 기법을 잘 활용할 수 있다고 합니다.

이러한 맥락으로 보았을 때 Dropout 또는 모종의 활성화함수 등을 이용한 과적합 방지 + 많은 epochs를 이용할 수 있지 않을까 생각이 듭니다.

이전에는 비교적 적은 데이터 규모 (수만장)를 가지고 있으며 증강에 대해서도 학습 데이터와 실제 사용 환경에서 차이가 있을 수 있기 때문에 다양한 환경의 데이터가 필요성을 더욱 강조하고 있습니다.

이에 따라 22,000개가 넘는 범주에 1,500만장 이상의 라벨된 고해상도 이미지를 포함하는 ImageNet 데이터셋에 대한 이야기를 언급하였습니다.

1.2문단

데이터가 많아도 이를 학습할 수 있는 용량이 큰 모델에 대해서 이야기합니다.

이는 모델의 깊이(레이어)와 너비(가중치 및 채널)을 키움으로써 제어할 수 있다고 합니다.

또한 이미지의 성질(통계의 정상성 - 같은 종류의 filter/edge가 동일한 패턴을 잡을 수 있다는 가정)과 픽셀 의존성이 국소성에 대해 강하고 대체로 타당하다는 가정을 둔다

이는 특정 커널들(필터/엣지)가 서로 다른 이미지들에서 유효할 것이라는 가정임을 의미합니다.

이를 통해 일반 신경망보다 파라미터가 적은 CNN의 특징을 이용하여 효율적인 성능을 기대한다고 합니다. (성능은 약간 떨어지지만 학습은 매우 효율적)

1.3문단

작은 커널을 통한 특징 추출은 장점이지만 픽셀이 너무 많아서 모델 학습에 어려움이 있다고 하였습니다.

다행히도 라벨링 데이터가 많아서 문제 없이 학습시킬 수 있었다고 합니다.

1.4문단

대표적인 기여에 대한 이야기를 하는 것으로 보입니다.

2차원 합성곱과 CNN네트워크에 성능을 높이고 학습 시간을 줄였지만 120만개의 라벨 학습 예제에도 불구하고 과적합이 큰 문제가 되었다고 합니다.

과적합 방지를 위한 여러 기법 사용하였으며 4절에서 설명한다 합니다.

모든 레이어는 전체 파라미터의 1% 이하만 포함하지만 그 모든것이 중요하다 합니다. (아마 CNN레이어가 FC 레이어에 비해 파라미터가 적은게 당연해서 그런 것으로 보입니다.)

1.5문단

GTX 580 3GB GPU 2장으로 5~6일이 걸렸다고 하니 매우 적은 자원으로 구현한 요소라고 생각합니다.

2. 데이터셋

22,000 범주, 1,500만장 이상의 고해상도 라벨링 이미지 데이터셋을 썼다고 합니다. (양이 굉장히 많습니다.)

출처는 웹이며 Amazom Mechanical Turk 크라우드 소싱 도구를 이용하여 사람이 직접 라벨링을 했다고 합니다.

ILSVRC 에서는 그중 1,000범주, 120만/5만/15만 장의 학습/검증/테스트 데이터셋을 사용하였습니다.

top-1/5 오류율로 보고했다고 합니다. (ImageNet에서 일반적인)

제각각인 해상도를 256x256의 고정된 해상도로 다운샘플링 하였다고 합니다. 방식은 자르기로 리사이징이 아니였습니다. 또한 RGB 픽셀 (3채널)을 그댈 사용하였습니다.

3. 아키텍처

아키텍처는 유명한 CNN레이어 5개, FC레이어 3개로 이루어져있습니다.

3.1 ReLU 비선형성

$\operatorname{Tanh}$ 또는 $\operatorname{Sigmoid}$를 사용하면 포화 비선형 함수에 비해 Saturation에 의한 학습속도 감소 때문에 비포화 비선형 함수를 사용하였다고 합니다.

여기에서 사용하는 함수를 ReLU(recified Linear Unit)를 사용하였습니다.

이를 통해 몇배를 빠르게 학습시켰다고 합니다. 이는 아마 기울기를 감쇄시키지 않으며 음수를 과감하게 지우는 것에서 나온 특징이라고 생각합니다.

반복 횟수 그래프 또한 존재하는데 에포크 횟수에 비해 Loss가 매우 감소하는 것으로 확인되었습니다.

아래 그래프는 실선이 $\operatorname{Sigmoid}$이며 점선이 $\operatorname{Tanh}$였습니다.

차이는 약 6배라고 합니다.

이에 착안하여 초반에 ReLU, 나중에 포화함수로 변형하는 것도 괜찮을까? 라는 생각이 들었습ㄴ디ㅏ.

이전 Jarret et al에서도 고정 정규화 적용 때 $|tanh(x)|$가 효과가 좋지만 속도 때문에 비포화 비선형 함수를 사용하였다고 합니다.

3.2 다중 GPU 학습

위에서 이미 2장의 GPU를 사용하였다고 합니다.

여기에서 학습 가능한 네트워크 최대 크기라고 말하는데 이는 대역폭에 가깝다고 생각할 수 있습니다.

또한 cpu 메모리에 거치지 않고 서로다른 gpu끼리의 통신이 되어 병렬화에 더 좋았다고 합니다.

이때 레이어를 이동할 때마다 서로의 피처맵을 알기 위해서 통신해야하는 비용을 줄이기 위해서 특정 레이어에서 서로의 데이터를 공유하고 다시 나누어져 학습을 하는 방향으로 잡았습니다.

이러한 방식은 결국 Cire¸sanet al의 결과와 비슷하지만 저자의 모델의 컬럼이 독립적이였다는 것을 나타냅니다.

위 특징을 이용해서 top-1/5 에러를 각각 1.7%, 1.2%로 줄였다고 합니다.

3.3 국소 응답 정규화

ReLU는 비포화이기 때문에 다시 정규화를 하지 않아도 괜찮지만 일반화를 위해 국소ㅗ 방정식을 사용하였다 합니다.

이 수식을 보면 구하는 활성값의 전체 제곱합 평균의 상수 및 지수를 통한 조절을 분모로 가져 정규화를 하는 것으로 보입니다. 사용 상수값은 k=2, n=5, α=10^-4, β=0.75라고 합니다.

이는 국소 대비 정규화와 비슷하지만 해당 방식은 밝기 정규화에 가깝다고 합니다.

국소 대비 정규화는 원래 값에서 평균을 빼지만 밝기 정규화는 평균을 빼지 않아 차이가 강조되지 않는다고 합니다.

해당 방식으로 4레이어 CNN의 테스트 오류율이 약 2% 감소하였다고 합니다. top-1/5 오류율은 1.4%, 1.2% 줄였다고 합니다.

3.4 중첨 풀링

전통적인 방식은 스트라이드=커널크기이지만 해당 네트워크에서는 s=2, z=3을 사용하여 s=2, z=2 대비 0.4%, 0.3%를 낮추었습니다. 하지만 과적합이 약간 더 어렵게 발생하는 경향도 관찰되었다 합니다.

3.5 전체 아키텍처

앞에서 설명하였듯 5CNN, 3FC 레이어로 이루어져 있으며 1000-way softmax에 입력되는 구조를 가져 정답 라벨의 로그 확률을 구해 평균을 최대화한다고 합니다.

목적함수는 다항 로지스틱 회귀입니다.

또한 max-polling 레이어를 이용하여 두 응답 정규화 레이어와 다섯번째 합성곱 레이어에 위치한다고 합니다.

이는 1/2 피처맵 사이, 2/3 피처맵 사이, CNN와 FC레이어 사이로 이루어지는 것으로 보입니다.

이후에도 그림에 대한 내용을 자세히 설명해주며 첫번째 레이어에서 2개로 나뉘어지며 3번재 레이어에서 상태 병함, 이후 fc 레이어에서는 계속 서로의 상태를 주고 받다가 마지막에 1000개 logits로 반환함을 의미합니다.

4. 과적합 감소

해당 신경망 파라미터에는 6천만개의 파라미터가 있다고 합니다.

크기와 비교하면 얼추 맞다고 생각이 들지만 역시 많습니다.

하지만 파라미터가 많으면 과적합 문제가 발생할 수 있기 때문에 이를 줄이기 위한 방식을 사용했다고 합니다.

4.1 데이터 증강

가장 쉽고 흔한 방법을 사용하였다고 하며 GPU의 학습시간동안 CPU의 파이썬 코드를 이용해서 변환하여 원본을 재생성 없이 증강을 구현했습니다. (실질적인 추가 계산비용이 거의 없다고 합니다.)

이는 파이프라인 형식으로 느껴집니다

다른 방법으로는 RGB 채널 강도 조절로 mean=0, std=0.1의 가우시안 난수를 이용하였다고 합니다. (원본에 유사한 이미지가 많이 나오게)

4.2 드롭아웃

드롭아웃을 이용하여 매번 절반의 뉴런을(p=0.5일때) 학습 강도를 0으로 낮추어 매번 다른 네트워크를 이용하게 하는 방법으로 매 역전파마다 다른 아키텍처를 학습하는 형식으로 만들게 됩니다.

5. 세부사항

BATCH_SIZE=128를 사용하였으며 최적화 알고리즘으로는 momentum=0.9, weight_decay=0.0005를 사용하였다고 합니다.

기본적인 SGD는 $w_i = w_{i-1} - \operatorname{lr} \times \operatorname{gradient}$ 이지만 옵션을 통해 이전 업데이트 방향을 누적하며 가중치 감쇠또한 적용시킬 수 있습니다. 그렇게 되면 다음과 같은 형태에 가까워집니다.

$$w_i = 0.9995 \times(0.9 \times w_{i-1} - 0.1 \times \operatorname{lr} \times \operatorname{gradient})$$

실제 논문의 형태:

$$
v_{i+1}=0.9 \times v_i − 0.0005 \cdot ϵ \cdot w_i − ϵ \cdot \nabla L(w_i)
$$

이전의 이동량에 대해서 현재 학습량 + 기울기를 아주 조금 적용하여 더해주는 방식입니다. SGD의 특징인 튀는 값에 민감한 부분을 감쇠하는 수식입니다.

또한 모든 가중치를 mean=0, std=0.01 정규분포에서 뽑았다고 합니다.

2, 4, 5 Conv/FC 레이어는 bias=1로 시작하였으며 다른 레이어는 bias=0를 사용하였습니다. 여기에서 bias=1로 시작하는 레이어는 ReLU를 사용하는 레이어로 이는 초기부터 ReLU 뉴런이 비활성화 될 가능성을 낮추기 위함입니다.

6. 결과

SIFT, Saprse Coding은 CNN이 유행하기 전, 이미지 특징을 뽑는 대표적인 방법으로

SIFT: Scale Invariant feature Transform 으로 이미지에서 코너나 무늬같은 눈에 띄는 지점을 찾고, 그 주변의 경계 방향/모양을 숫자 벡터로 표현하는 것을 말합니다. 물체의 특징을 잡아내느 방식입니다.
Sparse Coding: 희소코딩이라는 의미로 이미지의 특징을 미리 준비된 여러 기본 패턴의 조합으로 표현하는 것을 말합니다. 이미지를 간단한 패턴들의 조합으로 계산합니다.

하지만 AlexNet는 사람이 설계한 특징 추출이 아닌 컴퓨터가 계산한 특징을 추출하는, 추출할 특징 자체를 학습한다는 점에서 차별점이 존재함을 보입니다.

Spare coding에 비해서 약 top-1/5 오류율이 모두 약 10% 낮은 오류율을 보였으며 SIFT 방식보다 8% 낮은 오류율을 보여주었습니다.

또한 현재 만들어진 학습 방법에서 다르게 방식을 채택하면 나타나는 현상을 나타내었습니다.

비슷한 CNN 평균은 Top-5 오류율이 16.4%
더 큰 데이터로 사전 학습 후 파인튜닝시 오류율 16.6%
일반 CNN 5개 + 사전학습 CNN 2개를 통한 앙상블 사용 시 15.3%를 나타낸다고 합니다.

앙상블 + 추가 데이터를 통해 더 좋은 성능이 나타내는 것을 볼 수 있습니다. 비고로 1,500만 이미지를 학습할 때에는 Conv5 이후에 Conv6를 임시로 추가하여 표현력을 늘렸습니다.

6.1 정성적 평가

논문에는 그림3이 존재합니다.

Figure 3

이는 2장의 GPU가 각각 데이터를 학습한 것을 나타내며 네트워크는 다양한 주파수 및 방향 선택적 커널, 여러 색상 블롭을 학습하였다고 합니다.

GPU1(위쪽 흑백분위기)은 색상과 무관하게 패턴을 학습하였으며 GPU2는 색상에 상대적으로 민감하다는 것을 확인할 수 있습니다.

해당 결과는 사람이 두 GPU가 다른 특징을 추출하게 한것이 아닌, GPU 사이의 연결을 일부 제한하여 학습 결과가 자연스럽게 전문화된 것이라는 것을 알 수 있습니다. 특징적인 것은 GPU 번호가 바뀌는 경우를 제외하면 무작위 가중치 초기화를 해도 동일한 현상이 등장했다는 것입니다.

hurwan 님의 블로그

[머신러닝] OpenCV의 큰 그림

[머신러닝] OpenCV 시작

1. 이미지 읽기

배열 순서

BGR

dtype

imread() 실패

2. 이미지 띄우기

3. 영상 읽기

fourcc

cv2의 연산

후기

[OpenCV] 이미지와 영상의 데이터 조작

[데이터 조작] 이미지와 영상의 데이터 조작

목차

이미지와 영상

I / P / B 프레임

FourCC

Container

Pixel Format

평활화

히스토그램 평활화

Smoothing 평화화

[랭체인 중간프로젝트] 데이터베이스 설계 병합 전 체크

데이터베이스 리뷰

목차

1. 개요

사용자 및 일반 서비스

2. service.* 테이블

users

user_profiles

running_goals

point_bookmarks

route_requests

route_request_points

route_recommendations

route_points

route_bookmarks

running_sessions

running_trackpoints

inquiries

3. datasets.* 테이블

[랭체인 중간프로젝트] 중간 팀 과제와 주말 보고

중간 팀 과제와 주말 보고

1. 중간 프로젝트

각자 한 작업들

재빈/건희

한빈/승연

허완

09/02 까지 할일

전체

백엔드

프론트

인프라

2. 과제

[머신러닝] OpenCV 시작

[머신러닝] OpenCV 시작

1. 이미지 읽기

배열 순서

BGR

dtype

imread() 실패

2. 이미지 띄우기

3. 영상 읽기

[랭체인 중간프로젝트] 서버 구조 및 DB, 워커, 인터페이스 준비

[랭체인 중간프로젝트] 서버 구조 및 DB, 워커, 인터페이스 준비

목차

1. 현재 상태 복기

2. Docker 환경 준비

Docker Compose 문법 간단히

- 리스트 방식 - Block Sequence

[] 리스트 방식 - Flow Sequence

key-value 방식 - Mapping

Docker Compose 대상 설정

Docker Compose 먼저 작성해보기

Dockerfile 작성

3. Python 서버 이미지 생성

4. Node 서버 이미지 생성

5. PostGIS 이미지 테스트

`imread()` 실패

2. `service.*` 테이블

3. `datasets.*` 테이블

`imread()` 실패

`-` 리스트 방식 - Block Sequence

`[]` 리스트 방식 - Flow Sequence

`key-value` 방식 - Mapping

CPU가 `Ring 0`, `Ring 3`을 전환하는 방법

10. `package.json`과 `tsconfig.json`

10. `package.json`

11. `tsconfig.json`

12. `package.json`의 script 작성

`-D`

`typescript`

`tsx`

`@types/node`

`npx`

`--init`

`npx tsc`