Machine Learning

Visión por computadora en el borde - AWS Panorama (descontinuado) y su pila de reemplazo

AWS Panorama finalizó el 31 de mayo de 2026. Conozca la pila de reemplazo para el análisis de IA en sitio de cámaras IP existentes (SageMaker, hardware NVIDIA Jetson, IoT Greengrass) y cómo funcionaba Panorama.

Unos 6 min de lectura

Fin del soporte y rutas de migración

AWS Panorama llegó al fin de su soporte el 31 de mayo de 2026 y había dejado de aceptar nuevos clientes el 20 de mayo de 2025. Como el Panorama Appliance dependía de la conectividad con el servicio en la nube, los dispositivos dejaron de funcionar tras el cierre. AWS señala oficialmente dos alternativas: adoptar una solución lista para usar de los socios de AWS, o construir una propia con Amazon SageMaker (incluidos los algoritmos de visión artificial de SageMaker JumpStart), ejecutarla en dispositivos comerciales basados en NVIDIA Jetson o servidores perimetrales, y gestionar la flota con AWS IoT Greengrass. Este artículo se conserva como referencia histórica y guía de migración.

La necesidad de la visión por computadora en el borde

Enviar video de cámaras IP a la nube para análisis con ML presenta desafíos en términos de costo de ancho de banda, latencia y privacidad. Una sola cámara HD requiere entre 2 y 5 Mbps de ancho de banda, y transmitir múltiples cámaras a la nube genera costos de red enormes. Para casos de uso que requieren procesamiento en tiempo real (monitoreo de seguridad, inspección de calidad), la latencia de ida y vuelta a la nube es inaceptable. Además, los datos de video contienen información de privacidad personal, lo que convierte la transmisión a la nube en un riesgo en algunos casos. AWS Panorama era un servicio que desplegaba modelos de ML en un dispositivo de borde (el Panorama Appliance) y analizaba las transmisiones de cámaras IP localmente en tiempo real. Los datos de video se procesaban en el borde y solo los resultados del análisis (metadatos) se enviaban a la nube.

Panorama Appliance y despliegue de modelos

El Panorama Appliance era un dispositivo de 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, capturaba fotogramas de video y ejecutaba inferencia con modelos de ML. Se podían usar modelos personalizados construidos con SageMaker o modelos preentrenados (detección de objetos, detección de personas, etc.). Los modelos se empaquetaban como contenedores Docker y se desplegaban en el dispositivo de borde a través de la consola de Panorama. La lógica de aplicación (Python) procesaba los resultados de inferencia y ejecutaba acciones según las condiciones (envío de alertas, registro de métricas). Las actualizaciones de modelos también se podían realizar de forma remota desde la nube, eliminando la necesidad de visitas al sitio.

Casos de uso y precios

Los principales casos de uso de Panorama incluyen inspección de calidad en líneas de manufactura (en su momento, desplegando modelos de Lookout for Vision en el borde para detección de defectos en tiempo real; ese servicio también se descontinuó en octubre de 2025), análisis de clientes en retail (conteo de visitantes, análisis de flujo de tráfico, detección de niveles de inventario en estantes), monitoreo de seguridad en sitios de construcción (verificación de uso de casco y chaleco de seguridad, detección de intrusiones en áreas restringidas) y detección de ocupación en estacionamientos (cálculo de espacios disponibles en tiempo real a partir de transmisiones de cámaras). El hardware del Panorama Appliance costaba aproximadamente 4,000 USD como compra única, con una tarifa mensual de servicio facturada por cada transmisión de cámara procesada (ver la sección de precios más abajo). Los costos de comunicación para enviar metadatos a la nube eran mínimos y no había costos de transferencia de datos de video. También existían dispositivos compatibles con Panorama de terceros, como el Lenovo ThinkEdge SE70, lo que permitía elegir hardware adecuado para cada caso de uso. Para aprender los fundamentos y aplicaciones de la visión por computadora, los libros (Amazon) ofrecen un enfoque sistemático.

Precios y operación de Panorama

Con el cierre del servicio, los siguientes precios ya no existen (se conservan como registro histórico). El Panorama Appliance se adquiría por aproximadamente 4,000 dólares como pago único. La tarifa mensual no se cobraba por dispositivo, sino por cada transmisión de cámara activa procesada en el dispositivo, a 8.33 dólares por transmisión al mes, más 0.10 dólares por GB al mes por el almacenamiento en la nube de los activos de aplicación desplegados (modelos de ML y lógica de negocio). Dado que la inferencia se ejecutaba en el borde, no había costos de ancho de banda por transmitir video a la nube, lo que hacía que el costo total fuera ventajoso en comparación con la inferencia en la nube para casos de uso en tiempo real. Las actualizaciones de modelos se podían entregar OTA (Over-the-Air), permitiendo mejorar la lógica de inferencia de forma remota sin visitar el sitio. El estado del dispositivo y el rendimiento de inferencia se monitoreaban con métricas de CloudWatch.

Resumen - Directrices de migración

AWS Panorama ofrecía la vía más sencilla para el análisis de IA en el borde con cámaras IP existentes, pero se descontinuó el 31 de mayo de 2026 y los appliances dejaron de funcionar. Para construir hoy una configuración equivalente, ejecute modelos creados con SageMaker en dispositivos basados en NVIDIA Jetson o servidores perimetrales, distribuidos y gestionados con IoT Greengrass. El diseño de inferir en el borde sin enviar el vídeo fuera del sitio sigue siendo válido donde importan la privacidad y el ancho de banda.

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 - Ingesta de datos de series temporales y mejora de la precisiónExplicamos la construcción de modelos de predicción de series temporales con Forecast, el uso de datos relacionados y la exportación de resultados de predicción.

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 cuánticosPrototipe gratis con simuladores locales y luego ejecute circuitos cuánticos en hardware IonQ y Rigetti. Cubre la implementación de VQE y QAOA con trabajos híbridos.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.