PAI-EasyVision adalah paket algoritma tingkat lanjut untuk kecerdasan visual yang menyediakan fitur pelatihan dan prediksi berbagai model. Gunakan PAI-EasyVision untuk membangun dan menerapkan model computer vision (CV) pada aplikasi Anda.
Seiring pesatnya perkembangan teknologi pembelajaran mendalam, computer vision telah memasuki tahap penerapan komersial berskala besar. Namun, bagi pengembang aplikasi CV, pemanfaatan pembelajaran mendalam untuk membangun model CV menghadirkan sejumlah tantangan:
-
Pengembangan dan debugging kode algoritma pembelajaran mendalam memerlukan biaya tinggi.
-
Model diperbarui dan diiterasi dengan cepat, sehingga memahami prinsip serta detail teknisnya memakan waktu.
-
Optimasi kinerja pelatihan dan inferensi algoritma memerlukan pengetahuan sistem khusus.
-
Biaya anotasi data tinggi.
-
Penggunaan langsung algoritma open source dalam PAI melibatkan kurva pembelajaran dan biaya adaptasi yang signifikan.
Untuk mengatasi tantangan tersebut, PAI menyediakan PAI-EasyVision—sebuah framework yang user-friendly untuk pemodelan CV guna membantu pengembang aplikasi CV membangun dan menerapkan model visual secara cepat ke produksi. Keunggulan utamanya meliputi:
-
Kemudahan penggunaan
Mendukung berbagai tugas visual melalui antarmuka fungsi atom multitasking, modular, dan pluggable. Fitur-fiturnya mencakup seluruh proses pemodelan, mulai dari I/O data dan preprocessing hingga pelatihan model dan prediksi offline. PAI-EasyVision dapat digunakan di berbagai lingkungan, seperti Designer dan Data Science Workshop (DSW).
-
Kinerja
Mengenkapsulasi berbagai mesin optimasi dari PAI-TensorFlow untuk pelatihan terdistribusi, optimasi kompilasi, dan presisi campuran. Cukup konfigurasi file sederhana untuk mencapai kinerja tinggi di PAI. Kompatibel dengan sistem TensorFlow open source.
-
Variasi model
Menyediakan banyak model yang telah di-pre-train pada set data open source dan mengintegrasikan model-model unggulan dari PAI, seperti model optical character recognition (OCR), sehingga mengurangi biaya pengembangan dan pelatihan.
Arsitektur
PAI-EasyVision secara signifikan memperluas Model Zoo-nya serta menyediakan kemampuan pelatihan dan prediksi untuk berbagai model. Layanan ini mendukung metode pemanggilan fleksibel, seperti PAI-VIP, perintah PAI, dan DSW, guna memenuhi kebutuhan pemodelan berbagai pengguna. PAI-EasyVision menggunakan arsitektur pipeline terdistribusi yang fleksibel dan berkinerja tinggi untuk prediksi offline, mampu memproses ratusan juta catatan data secara efisien. Fitur optimasi sistem dan model dari PAI membantu menghasilkan model yang lebih kecil dan lebih cepat untuk prediksi pada Elastic Algorithm Service (EAS). Selain itu, PAI-EasyVision mendukung antarmuka kustom untuk pelatihan dan prediksi agar pengguna dapat memanfaatkan kembali fitur dan optimasi yang telah tersedia. Gambar berikut menunjukkan arsitekturnya:
Fitur
-
Kemudahan penggunaan
Memenuhi kebutuhan berbagai pengguna. Sebagian pengguna mungkin ingin melatih model melalui interaksi sederhana, yang lain ingin menjadwalkan tugas pelatihan dan prediksi, sedangkan sebagian lagi ingin menggunakan kembali modul PAI-EasyVision yang sudah ada, menyesuaikan struktur model, lalu melatih ulang model tersebut. Untuk mendukung kebutuhan ini, panggil PAI-EasyVision melalui PAI-VIP, perintah PAI, atau DSW.
-
Optimasi kinerja
Dioptimalkan untuk kinerja pelatihan terdistribusi berbasis PAI-TensorFlow. Mendukung pelatihan terdistribusi berkinerja tinggi baik pada server multi-GPU tunggal maupun ganda, serta optimasi model untuk tahap inferensi, termasuk optimasi graf dan kompresi model.
-
Konektivitas dengan PAI Smart Labeling
Terkoneksi dengan PAI Smart Labeling. Gunakan tool konversi yang disediakan untuk mengonversi file dari format labeling PAI ke format TFRecord guna pelatihan. Juga menyediakan berbagai modul augmentasi data untuk memperluas set data pelatihan secara dinamis selama pelatihan.
-
Prediksi offline efisien
Menyediakan sistem pipeline multi-server untuk prediksi yang memfasilitasi pemrosesan data offline menggunakan model yang dilatih oleh PAI-EasyVision. Setiap langkah pemrosesan mendukung akselerasi multi-server dan multi-threaded, serta diproses secara asinkron dalam pipeline, sehingga secara signifikan meningkatkan efisiensi. Anda dapat menyesuaikan setiap langkah dalam proses prediksi offline.
-
Konektivitas dengan EAS
Proses pelatihan menghasilkan file SavedModel yang dapat diintegrasikan ke dalam sistem prediksi online Anda sendiri. EAS menyediakan layanan prediksi online yang andal dan mengimplementasikan PAI-EasyVision EAS Python Processor. Untuk memproses data secara real time, cukup konfigurasikan alamat model dan jenis model dalam file konfigurasi.