PAI-EasyVision（視覺智能增強算法包）提供多種模型的訓練及預測功能，旨在幫助計算機視覺應用開發者方便快捷地構建視覺模型并應用于生產。
隨著深度學習技術的快速發展，計算視覺技術已經跨入大規模商業化應用階段。對于視覺AI應用開發者而言，熟練地運用深度學習CV建模技術存在較高門檻，主要體現在以下幾個方面：
深度學習算法代碼開發成本高，對大量細節進行Debug的代價很高。
模型更新迭代快，理解其原理和細節需要花費大量時間。
算法訓練和推理性能優化都需要專業的系統知識。
數據標注成本太高。
在PAI上直接使用開源算法存在一定的學習和改造成本。
為此，PAI推出了一套方便且易用的CV建模框架PAI-EasyVision，旨在幫助CV應用開發者快捷地構建視覺模型并應用于生產。PAI-EasyVision核心能力體現在框架易用性、性能及模型豐富度方面：
易用性方面
針對視覺任務的多樣性，PAI-EasyVision支持面向多任務、模塊化及可插拔的原子化功能接口，其功能涵蓋了數據IO、預處理、訓練及離線預測的完整建模流程。同時，您可以在Designer或DSW等多種環境中使用PAI-EasyVision。
性能方面
算法封裝了PAI-TF的多種優化引擎，包括分布式訓練、編譯優化及混合精度等，您通過簡單的配置文件即可在PAI中享受極致的性能體驗。同時，兼容在開源TF中使用PAI-EasyVision。
模型豐富度方面
提供了大量在開源數據集上訓練完成的模型，且集成了PAI中優秀的模型（例如OCR模型），進而降低開發和訓練成本。
架構
PAI-EasyVision在Model Zoo基礎上進行了大量的模型擴充，提供多種模型的訓練預測能力，且支持PAI-VIP、PAI命令及DSW多種靈活調用方式，以滿足各層次用戶的建模需求。PAI-EasyVision靈活高可用的分布式流水線離線預測架構，支持上億級別數據的快速離線處理。 同時，基于PAI的系統優化和模型優化功能，使得訓練模型更小、更快地在EAS上進行預測。 此外，PAI-EasyVision支持自定義訓練預測接口，以便復用已有的功能和優化工作。PAI-EasyVision的具體架構如下所示。
特性
易用性
考慮到用戶分層，有些用戶希望通過簡單的交互操作完成模型訓練，有的用戶希望定時調度模型訓練和預測任務，有的用戶希望復用PAI-EasyVision已有模塊，在此基礎上進行模型結構調整，再重新訓練。因此，PAI-EasyVision支持通過PAI-VIP、PAI命令或DSW方式調用。
性能優化
依托PAI-TF團隊進行了分布式訓練性能優化，支持高性能的單機多卡、多機多卡分布式運行方式。同時支持對模型進行Inference階段優化，包括圖優化及模型壓縮等方式。
對接PAI標記平臺
PAI-EasyVision對接PAI標記平臺，您可以通過提供的轉換工具，方便地將PAI標記格式文件轉換為TFRecord，從而進行相關任務訓練。此外，PAI-EasyVision提供了豐富的數據增強模塊，用于在訓練時動態擴充訓練數據。
高效的離線預測
PAI-EasyVision提供多機流水線的預測系統，便于將PAI-EasyVision訓練的模型進行離線數據處理。每個處理過程支持多機多線程加速，且各個過程異步流水線處理，極大提高了處理效率。此外，離線預測支持用戶自定義各個處理過程。
對接在線服務平臺EAS
訓練過程會產出SaveModel，用戶可以自行接入原有的在線預測業務系統。 同時，EAS提供了強大的在線預測服務能力，實現了PAI-EasyVision EAS Python Processor，用戶只需要在配置文件中配置模型地址及模型類別信息，即可進行實時數據處理。