**목표 **: 5 장 식전·5 장 식후 이미지를 실시간 분석하면서 ⏱ 속도와 📈 결과 안정성을 모두 확보한다.
| 단계 | 시도 | 결과(속도·문제) | 메모 |
|---|---|---|---|
| a. 직렬 처리 | 단순 for‑loop | 총 ~28 s (모델*10) | baseline |
b. asyncio + ThreadPool |
‑ 다운로드 비동기‑ 추론 5 스레드 | 18‑19 s (30 % 단축) but leftover 값 요동 | MiDaS CPU 추론 스레드 경합 확인 |
| c. 모델 싱글턴 캐싱 | 모델 1회 로드 & 재사용 | 모델 로드 4.5 s → 0 s | 메모리 ↑ 700 MB |
| d. CPU 스레드 제한 | torch.set_num_threads(1)OMP_NUM_THREADS=1 |
per‑image 2.1 s → 1.7 s | oversubscription 완화 |
| e. ProcessPool (예정) | 프로세스 격리 | 값 안정 + 완전 병렬 예상 | RAM 검토 후 도입 |
aiohttp 비동기 유지cv2.kmeans(..., RANDOM_CENTERS) 가 스레드마다 다른 시드 사용after_backproj ≤ 20 % 등 계단형 가중치 가 작은 오차를 증폭# utils/reseed.py
import random, numpy as np, torch, cv2, os
SEED = 42
def reseed_every_thread():
random.seed(SEED)
np.random.seed(SEED)
torch.manual_seed(SEED)
cv2.setRNGSeed(SEED) # OpenCV RNG 고정
os.environ["MKL_NUM_THREADS"] = "1"
os.environ["OPENBLAS_NUM_THREADS"] = "1"
# ThreadPool 실행부
result = await loop.run_in_executor(
None, # default pool
lambda: _worker_with_reseed(img, ref)
)