サイトアイコン アマチュア無線局JS2IIU

【Streamlit】スケーラビリティとパフォーマンス向上

JS2IIU

こんにちは、JS2IIUです。
Streamlitで複数のユーザーが同時に利用する環境では、スケーラビリティやパフォーマンスの問題に直面することがあります。この記事では、スケーラビリティとパフォーマンスの課題をクリアし、Streamlitアプリをより効果的に運用するためのベストプラクティスについてみていきます。今回もよろしくお願いします。

1. はじめに

Streamlitは、Pythonで書かれたアプリケーションをインタラクティブなウェブアプリとして簡単にデプロイできるツールです。データサイエンスやマシンラーニングの分野で特に重宝されており、複雑なビジュアライゼーションを手軽に実装可能です。この記事では、Streamlitを利用する際のスケーラビリティやパフォーマンスの課題に重点を置き、これらの課題を克服する方法について詳しく解説します。

2. Streamlitの基本的な特徴と利点

Streamlitは、リアルタイムに結果を表示しながらアプリを作れる点をはじめとする多くの特長があります。Streamlitが提供する直感的なAPIは、短いコードで素早くアプリケーションを開発することを可能にし、主な利点として以下が挙げられます。

Streamlitの利点

  1. シンプルな導入プロセス
  2. リアルタイムなインタラクション
  3. オープンソースで無料

3. 同時利用に伴うスケーラビリティとパフォーマンスの問題

Streamlitは、複数のユーザーが同時にアクセスすることを考慮して設計されていますが、規模が大きくなるとパフォーマンスの問題が生じることがあります。この際にはCPUやメモリのリソースが不足し、レスポンスが遅くなることがあります。特に以下の点に注意が必要です。

4. ユーザーごとのセッション管理とその重要性

Streamlitでは、各ユーザーセッションを独立して管理することが重要です。セッション管理を正しく行うことで、アプリケーションの安定性を保つことができます。ここで役立つのが、st.session_stateです。

st.session_stateの活用法

Python
import streamlit as st

# カウンタをセッションごとに保存する
if 'counter' not in st.session_state:
    st.session_state.counter = 0

def increment_counter():
    st.session_state.counter += 1

# ボタンを押すたびにカウンタを増加
st.button('Increase', on_click=increment_counter)
st.write(f"Counter: {st.session_state.counter}")

コード解説

基礎的な部分も含めて説明します。

Python
import streamlit as st
Python
if 'counter' not in st.session_state:
    st.session_state.counter = 0
Python
def increment_counter():
    st.session_state.counter += 1
Python
st.button('Increase', on_click=increment_counter)
Python
st.write(f"Counter: {st.session_state.counter}")

結果として

ボタンをクリックするたびに「Counter: n」の n が増えていきます。
セッションごとに値が保存されるので、リロードしても保持されます（同じユーザー・ブラウザであれば）。

5. データ競合の基本概念と発生原因

データ競合は、複数のリクエストが同じデータに同時にアクセスする際に発生します。これにより、データの一貫性が失われ、最悪の場合データ破壊を招くことがあります。データ競合は主に以下のような状況で発生します。

6. 競合状態を防ぐためのベストプラクティス

競合状態を防ぐための一般的な方法として、ロック機構やトランザクション管理があります。これにより、1つのリソースに同時にアクセスしようとする競合を防ぎます。

ロック機構の例

Python
import threading

lock = threading.Lock()

def update_shared_resource():
    with lock:
        # 安全な更新処理
        pass

コード解説

このコードは、Python の threading モジュールを使ってスレッド間での競合を防ぐためのロック処理を実装しています。

Python
import threading
Python
lock = threading.Lock()
Python
def update_shared_resource():
    with lock:
        # 安全な更新処理
        pass

7. コード例、デバッグ方法、パフォーマンス最適化のヒント

Streamlitを使ったアプリケーションはシンプルに作れる一方で、パフォーマンスが劣化する原因は複数存在します。本章では、実践的なコード例を交えながら、ボトルネックの発見とパフォーマンス最適化の手法、そしてデバッグの進め方について解説します。

7.1 不要な再実行の抑制：st.cache / st.cache_data の活用

Streamlitはインタラクションがあるたびにスクリプト全体を再実行します。そのため、重たい計算処理や外部リソースへのアクセスはキャッシュ化することで高速化できます。

st.cache_data を使ったデータ読み込みの例

Python
import streamlit as st
import pandas as pd

@st.cache_data
def load_data():
    # 時間がかかる処理（例：CSV読み込み）
    df = pd.read_csv('large_dataset.csv')
    return df

df = load_data()
st.write(df.head())

注意：データが頻繁に変化するケースではキャッシュの使用を慎重に。

7.2 再実行の回避に st.experimental_memo（旧 st.cache）も活用可能

より一時的なキャッシュを使いたい場合や、ロジックによるキャッシュの更新制御が必要なときは、st.experimental_memo も検討してください。

7.3 重い処理の並列化・バックグラウンド処理

外部APIへのアクセスや機械学習の推論など、処理時間がかかる部分をスレッドで非同期化することでUIの応答性を保つことができます。

スレッドでバックグラウンド実行する例

Python
import streamlit as st
import threading
import time

def long_task():
    time.sleep(5)
    st.session_state["result"] = "処理完了！"

if st.button("長い処理を実行"):
    st.session_state["result"] = "実行中..."
    threading.Thread(target=long_task).start()

st.write(st.session_state.get("result", ""))

7.4 デバッグとプロファイリングの手法

Streamlitは通常のPythonアプリケーションと同じく、ログ出力やプロファイリングを使ってボトルネックを特定できます。

ログを活用する（標準の logging モジュール）

Python
import logging
import streamlit as st

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

logger.info("データ読み込み開始")

# 実際の処理
st.write("Hello Streamlit")

処理時間の計測に time モジュールを使う

Python
import time

start = time.time()
# 重い処理
time.sleep(2)
end = time.time()

st.write(f"処理時間: {end - start:.2f} 秒")

7.5 パフォーマンス最適化の具体的ヒント

項目最適化方法
データ読み込みst.cache_data() や pandas.read_parquet() で高速化
イベント処理on_click や st.session_state を使って再実行を局所化
グラフ描画大量データは要約 or ダウンサンプリングして描画
非同期処理threading を使って処理をバックグラウンドで実行
画像処理PILなどを用いた事前のリサイズで処理負荷軽減
レイアウト不要な st.container() や st.columns() の多用は避ける

7.6 サンプル：重い画像処理をキャッシュ＋非同期で最適化

Python
from PIL import Image, ImageFilter
import streamlit as st
import threading

@st.cache_data
def load_image():
    return Image.open("sample.jpg")

def process_image():
    image = load_image()
    blurred = image.filter(ImageFilter.GaussianBlur(5))
    st.session_state["processed"] = blurred

if st.button("画像処理開始"):
    threading.Thread(target=process_image).start()
    st.session_state["processed"] = None

if "processed" in st.session_state and st.session_state["processed"]:
    st.image(st.session_state["processed"], caption="処理後の画像")

パフォーマンス最適化のヒント

Streamlitは再実行ベースの仕組みゆえに、不要な処理やリソースの重複利用がボトルネックになりがちです。そこで、

などの工夫を取り入れることで、高レスポンスかつスケーラブルなアプリケーションを構築できます。特に業務利用や社内ツールとして運用する場合は、チューニングを意識した設計が重要です。

8. まとめ

この記事では、ストリームリットのスケーラビリティ問題とパフォーマンス最適化の方法について学びました。ユーザーごとのセッション管理とデータ競合を理解し、適切な手法を採用することで、よりスムーズで効率的なアプリケーション運用が可能です。今後の開発において、これらの知識を活用し、より高性能なストリームリットアプリを構築してみてください。

参考

最後まで読んでいただきありがとうございます。
ご意見ご感想はコメント欄へお願いします。

モバイルバージョンを終了