AWS Primeros Pasos
IdiomaEspañol
Machine Learning

Visión por computadora en el borde - AWS Panorama (descontinuado) y configuraciones alternativas para el análisis con IA in situ

AWS Panorama llegó al fin de su soporte el 31 de mayo de 2026. Se explican las configuraciones alternativas para analizar con IA in situ las cámaras IP existentes (SageMaker + dispositivos basados en NVIDIA Jetson + IoT Greengrass) y el funcionamiento del servicio cuando estaba disponible.

Unos 9 min de lectura

Fin del soporte y rutas de migración

AWS Panorama llegó al fin de su soporte (End of Support) el 31 de mayo de 2026. La aceptación de nuevos clientes terminó el 20 de mayo de 2025. Como el Panorama Appliance dependía de la conexión con el servicio en la nube, tras el fin del servicio el propio dispositivo tampoco funciona. La guía oficial de AWS presenta dos alternativas: usar soluciones listas para usar de los AWS Partners, o crear modelos con Amazon SageMaker (incluidos los algoritmos de visión por computadora de JumpStart). En la segunda, los modelos se ejecutan en dispositivos comerciales basados en NVIDIA Jetson o en servidores en el borde, y la gestión en el borde se realiza con AWS IoT Greengrass u otras herramientas similares. Este artículo se conserva como documento histórico del funcionamiento del servicio cuando estaba disponible + guía de migración.

La necesidad de la visión por computadora en el borde

Las configuraciones que envían el vídeo de las cámaras IP a la nube para analizarlo con ML presentan problemas en cuanto a coste de ancho de banda, latencia y privacidad. Cada cámara HD necesita de 2 a 5 Mbps de ancho de banda, y enviar el vídeo de varias cámaras a la nube hace que los costes de red sean enormes. En los casos de uso que exigen tiempo real (vigilancia de seguridad, inspección de calidad), la latencia de ida y vuelta a la nube no es tolerable. Además, como los datos de vídeo contienen información privada de las personas, el propio envío a la nube puede convertirse en un riesgo. AWS Panorama era un servicio que desplegaba modelos de ML en un dispositivo en el borde (Panorama Appliance) y analizaba localmente y en tiempo real el vídeo de las cámaras IP. Estaba diseñado para que los datos de vídeo se procesaran en el borde y solo los resultados del análisis (metadatos) se enviaran a la nube.

Panorama Appliance y despliegue de modelos

El Panorama Appliance era un dispositivo en el borde equipado con una GPU NVIDIA que podía analizar simultáneamente hasta 8 transmisiones de cámaras IP. Se conectaba a las cámaras IP mediante el protocolo RTSP, obtenía los fotogramas de vídeo y ejecutaba la inferencia con modelos de ML. Como modelos de ML se podían usar modelos personalizados creados con SageMaker o modelos preentrenados (detección de objetos, detección de personas, entre otros). Los modelos se empaquetaban como contenedores Docker y se desplegaban en el dispositivo en el borde desde la consola de Panorama. La lógica de la aplicación (Python) procesaba los resultados de inferencia de los modelos y ejecutaba acciones según las condiciones (envío de alertas, registro de métricas). Como los modelos también se podían actualizar de forma remota desde la nube, no era necesario desplazarse al lugar.

Casos de uso y precios

Entre los principales casos de uso de Panorama estaban la inspección de calidad en líneas de fabricación (en su momento, se desplegaban modelos de Lookout for Vision en el borde para detectar defectos visuales en tiempo real. Ese servicio también terminó en octubre de 2025) y el análisis de visitantes en tiendas minoristas (recuento de clientes que entran, análisis de recorridos, detección del estado del inventario en los estantes). También estaban la vigilancia de seguridad en obras de construcción (comprobación del uso de casco / chaleco de seguridad, detección de entradas en zonas prohibidas). Otro caso era la detección de plazas libres en aparcamientos (cálculo en tiempo real del número de plazas libres a partir del vídeo de las cámaras). El precio del hardware del Panorama Appliance era de unos 4,000 USD por unidad como compra única, y la tarifa mensual del servicio se cobraba por cada transmisión de cámara procesada (detalles en la sección de precios más adelante). El coste de comunicación por el envío de metadatos a la nube era mínimo, y no se producía coste de transferencia de datos de vídeo. El único hardware de terceros certificado oficialmente como dispositivo compatible con Panorama (Compatible device) era un modelo, el Lenovo ThinkEdge SE70 (con NVIDIA Jetson Xavier NX), y las opciones distintas del Panorama Appliance se limitaban a este modelo. Como no era posible elegir entre modelos según la facilidad de adquisición o la forma de instalación, el hecho de que el proveedor del hardware quedara prácticamente fijado era una restricción que había que tener en cuenta al implantarlo.

Precios y operación de Panorama

Con el fin del servicio, la siguiente estructura de precios ya no existe (registro de cuando estaba disponible). El Panorama Appliance era una compra única de unos 4,000 USD, y la tarifa mensual no se cobraba por dispositivo, sino a razón de 8.33 USD al mes por cada transmisión de cámara activa procesada en el dispositivo. Además, el almacenamiento en la nube de los activos de aplicación desplegados en el dispositivo (modelos de ML y lógica de negocio) costaba 0.10 USD por GB al mes. Como la inferencia se ejecutaba en el borde, no se necesitaba el coste de transferir el vídeo a la nube (ancho de banda). En los casos de uso que exigían tiempo real, el coste total era favorable en comparación con la inferencia en la nube. Las actualizaciones de modelos se podían distribuir por OTA (Over-the-Air), y se podía mejorar la lógica de inferencia de forma remota sin desplazarse al lugar. Para supervisar el estado de funcionamiento de los dispositivos y el rendimiento de la inferencia se usaban métricas de CloudWatch.

Flujo de trabajo de desarrollo y despliegue de modelos

El análisis de imágenes en el borde se lleva a cabo combinando el desarrollo en la nube con la ejecución in situ. Primero, en el lado de la nube, que dispone de abundantes recursos de cómputo, se entrena / evalúa el modelo de reconocimiento de imágenes. El flujo consiste en distribuir el modelo terminado a los equipos instalados in situ y hacer que lo ejecuten. Como un solo equipo puede procesar simultáneamente el vídeo de varias cámaras, se pueden supervisar varios puntos del lugar de forma conjunta. Después de actualizar el modelo, se distribuye de nuevo a los equipos in situ para aplicarlo. Al combinar la flexibilidad del desarrollo en la nube con la inmediatez de la ejecución in situ, se puede lograr a la vez facilidad de desarrollo y análisis de baja latencia.

Privacidad y ventajas del procesamiento in situ

Una gran ventaja de analizar el vídeo de las cámaras in situ es que no hace falta enviar el propio vídeo a la nube. El vídeo suele contener rostros de personas e información que puede identificar a individuos, y enviarlo al exterior genera problemas de privacidad. Con una configuración que procesa en el borde y envía a la nube solo los resultados de análisis necesarios, se puede aprovechar el vídeo sensible manteniéndolo in situ. Al mismo tiempo, como no se envían grandes volúmenes de datos de vídeo, también se pueden contener el volumen de comunicación y los costes. Poder compaginar el respeto a la privacidad con el ahorro de ancho de banda es el valor esencial de realizar el análisis de vídeo en el borde.

Resumen - Directrices de migración

AWS Panorama era un servicio que permitía el análisis de IA en el borde de las cámaras IP existentes con una configuración mínima, pero llegó al fin de su soporte el 31 de mayo de 2026 y el Appliance también dejó de funcionar. Para crear hoy una configuración equivalente, se ejecutan los modelos creados con SageMaker en dispositivos basados en NVIDIA Jetson o en servidores en el borde, y se distribuyen / gestionan con IoT Greengrass u otras herramientas similares. El diseño de inferir en el borde y no sacar el vídeo del lugar sigue siendo eficaz en los sitios con requisitos de privacidad y de ancho de banda.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

Compartir

Servicios relacionados

AWS Panorama Servicio finalizado[Finalizado el 31-05-2026] Servicio que añadía análisis de vídeo en el borde a cámaras IP existentes. Los dispositivos ya no funcionan; AWS recomienda SageMaker con hardware Jetson y GreengrassAmazon SageMaker PopularPlataforma integrada para construir, entrenar y desplegar modelos de aprendizaje automáticoAWS IoT Greengrass EspecializadoUn servicio para ejecutar cómputo local, mensajería e inferencia ML en dispositivos de borde

Artículos relacionados

AWS Panorama ha finalizado - Guía de migración para visión artificial en el bordeAWS Panorama finalizó el 31 de mayo de 2026 y sus appliances dejaron de funcionar. Este artículo cubre la pila oficial de reemplazo (SageMaker, hardware NVIDIA Jetson, IoT Greengrass) y cómo funcionaba Panorama.ML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.Predicción de demanda con Amazon Forecast - Fin de las nuevas altas, migración a SageMaker Canvas y funcionamiento de la predicción de series temporalesAmazon Forecast dejó de aceptar nuevos usuarios el 29 de julio de 2024 (los usuarios existentes pueden seguir usándolo). Explicamos la migración a la predicción de series temporales de SageMaker Canvas, el sucesor oficial, así como la construcción de modelos / la predicción probabilística / la estructura de cobro de Forecast.

Más sobre este tema

Entrenamiento de machine learning basado en GPU con AWS Batch - Entrenamiento a gran escala con eficiencia de costosEjecute entrenamiento GPU con sus contenedores Docker existentes y reduzca costos hasta un 90% usando instancias Spot y checkpointing. Incluye orientación sobre cuándo elegir Batch sobre SageMaker.Uso de Claude en Amazon Bedrock - Selección de modelos, diseño de prompts y optimización de costosComparamos los modelos Anthropic Claude disponibles en Amazon Bedrock, proporcionamos directrices de selección de modelos por caso de uso y cubrimos mejores prácticas de diseño de prompts y optimización de costos.Construcción de aplicaciones RAG con Amazon Bedrock Knowledge Bases - Implementación de generación aumentada por recuperaciónIndexe automáticamente documentos en S3 y unifique búsqueda y generación con la API RetrieveAndGenerate. Cubre la selección de estrategia de chunking y la seguridad con Guardrails.Primeros pasos con computación cuántica en Amazon Braket - Diseño y simulación de circuitos cuánticosCree prototipos gratis con el simulador local y ejecute circuitos cuánticos en el hardware real de IonQ y Rigetti. Presentamos técnicas para implementar VQE y QAOA con Hybrid Jobs.ML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.Procesamiento de lenguaje natural con Amazon Comprehend - Análisis de sentimiento y extracción de entidadesExplicamos el análisis de sentimiento, la extracción de entidades y la construcción de modelos de clasificación personalizados con Comprehend.Construcción de bots conversacionales - Interfaces de conversación natural con Amazon Lex y PollyAprenda a construir bots conversacionales utilizando Amazon Lex y Amazon Polly.Extracción de texto de documentos - Procesamiento inteligente de documentos con Amazon TextractExplicamos la extracción automática de texto, tablas y datos de formularios de documentos con Amazon Textract, y la construcción de pipelines de procesamiento de lenguaje natural en combinación con Amazon Comprehend. Presentamos patrones de automatización para procesamiento de facturas y análisis de contratos.

Artículos y servicios similares

AWS Panorama ha finalizado - Guía de migración para visión artificial en el bordeAWS Panorama finalizó el 31 de mayo de 2026 y sus appliances dejaron de funcionar. Este artículo cubre la pila oficial de reemplazo (SageMaker, hardware NVIDIA Jetson, IoT Greengrass) y cómo funcionaba Panorama.AWS Panorama[Finalizado el 31-05-2026] Servicio basado en appliance que analizaba en el borde los flujos de cámaras IP existentes. Los dispositivos ya no funcionan; AWS indica SageMaker con hardware Jetson y GreengrassConstrucción de aplicaciones IoT en el borde con AWS IoT Greengrass - Procesamiento local e integración con la nubeEjecuta funciones Lambda en dispositivos de borde y continúa el procesamiento local incluso en entornos con conectividad intermitente a la nube. Esta guía cubre inferencia ML en el borde y gestión de flotas.Moderación de contenido de vídeo construida con Amazon Rekognition - Garantizar la seguridad de las plataformas UGCModera automáticamente los vídeos de plataformas UGC y automatiza los flujos de trabajo multimedia con la búsqueda de rostros y la detección de segmentos. Presenta un pipeline basado en eventos con S3 / Lambda.