访问官网
Github
文档Pillow-SIMD
Pillow-SIMD 是 Pillow 库 针对 x86 架构（主要是 Intel 和 AMD CPU）高度优化的版本。
Pillow-SIMD "跟随"Pillow，这意味着它可以直接替代相同版本的 Pillow。例如，Pillow-SIMD 3.2.0.post3 可以直接替代 Pillow 3.2.0，而 Pillow-SIMD 3.3.3.post0 可以替代 Pillow 3.3.3。
有关原始 Pillow 的更多信息，请参阅： 阅读文档， 查看更新日志 和 了解如何贡献。
为什么选择 SIMD
有多种方法可以提高图像处理性能。举几个例子，这些方法可以是：使用更好的算法、优化现有实现、使用更多的处理能力和/或资源。使用更高效算法的一个很好的例子是将基于卷积的高斯模糊替换为序列盒式模糊。
但这样的例子很少见。众所周知，某些处理可以通过并行处理来优化相应的例程。但更实用的优化关键可能是利用现有资源使事情运行得更快。例如，SIMD 计算就是这种情况。
SIMD 代表"单指令多数据"，其本质是通过使用多个处理元素同时对多个数据点执行相同的操作。常见的 CPU SIMD 指令集有 MMX、SSE-SSE4、AVX、AVX2、AVX512、NEON。
目前，Pillow-SIMD 可以编译支持 SSE4（默认）或 AVX2。
状态
Pillow-SIMD 项目已经可以用于生产环境。该项目得到了 Uploadcare 的支持，Uploadcare 是一个基于云的图像存储和处理 SAAS。
事实上，Uploadcare 自 2015 年以来一直在运行 Pillow-SIMD。
以下图像操作目前已经通过 SIMD 加速：
- 调整大小（基于卷积的重采样）：SSE4、AVX2
- 高斯和盒式模糊：SSE4
- Alpha 合成：SSE4、AVX2
- RGBA → RGBa（alpha 预乘）：SSE4、AVX2
- RGBa → RGBA（alpha 除法）：SSE4、AVX2
- RGB → L（灰度）：SSE4
- 3x3 和 5x5 核心滤波器：SSE4、AVX2
- 分离和获取通道：SSE4
基准测试
Pillow 性能页面上可以找到大量测试。其中包括针对不同版本的 Pillow 和 Pillow-SIMD 以及 ImageMagick、Skia、OpenCV 和 IPP 的基准测试。
结果显示，对于调整大小，Pillow 总是比 ImageMagick 快，而 Pillow-SIMD 则比原始 Pillow 快 4-6 倍。总的来说，使用 AVX2 的 Pillow-SIMD 始终比 ImageMagick 快 16 到 40 倍，并且性能优于 Chromium 中使用的高速图形库 Skia。
为什么 Pillow 本身如此快速
没有使用任何作弊手段。我们在基准测试中使用了相同的高质量调整大小和模糊方法。不同库产生的结果几乎完全一致。测量速率的差异仅由每个算法的性能决定。
为什么 Pillow-SIMD 更快
当然是因为 SIMD 计算。但还有更多原因：大量循环展开，以及标量数据类型无法使用的特定指令。
为什么不将 SIMD 贡献给原始 Pillow
这并不那么简单。首先，原始 Pillow 支持大量架构，而不仅仅是 x86。即使对于 x86 平台，Pillow 通常也是通过预编译二进制文件分发的。为了将 SIMD 集成到预编译的二进制文件中，我们需要执行运行时 CPU 功能检查。要以这种方式编译代码，我们需要向编译器传递 -mavx2 选项。但是使用这个选项，编译器会将 AVX 指令注入到 SSE 函数中（即交换它们），因为每个 SSE 指令都有对应的 AVX 等效指令。因此，编译这样的库没有简单的方法，特别是使用 setuptools。
安装
如果已安装原始 Pillow 的副本，需要先用 $ pip uninstall -y pillow 将其删除。请为您的平台安装先决条件。安装本身很简单，只需运行 $ pip install pillow-simd，如果您使用的是支持 SSE4 的 CPU，一切应该顺利运行。如果您想安装支持 AVX2 的版本，需要向 C 编译器传递额外的标志。最简单的方法是在编译过程中定义 CC 变量。
$ pip uninstall pillow
$ CC="cc -mavx2" pip install -U --force-reinstall pillow-simd
为 Pillow-SIMD 做贡献
请注意，Pillow-SIMD 和 Pillow 是两个独立的项目。请将与 SIMD 无关的错误和改进提交到原始 Pillow。所有对原始 Pillow 的错误修复随后将自动转移到下一个 Pillow-SIMD 版本。
