AWS Panorama ha finalizado - Guía de migración para visión artificial en el borde
AWS 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.
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 y sus aplicaciones dependían de la conectividad con el servicio en la nube de Panorama, 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, AWS Systems Manager o Amazon EKS / ECS Anywhere. Esta página se conserva como referencia histórica y guía de migración.
Descripción general de Panorama
Panorama era un servicio que desplegaba modelos ML de visión por computadora en cámaras IP existentes y ejecutaba inferencia en tiempo real en el edge. No era necesario enviar las imágenes de las cámaras al cloud, resolviendo tanto los problemas de privacidad como de ancho de banda. Un solo appliance (equipado con GPU NVIDIA, aproximadamente 4,000 dólares) procesaba en paralelo hasta 8 flujos de cámaras a 30 fps y enviaba los resultados de inferencia al cloud a través de IoT Core. Los datos de video permanecían completamente dentro del appliance y nunca abandonaban la red local, lo que facilitaba su implementación en entornos con regulaciones estrictas de localidad de datos como GDPR o HIPAA.
Appliance y despliegue de modelos
El Panorama Appliance era un dispositivo dedicado que se instalaba on-premises y se conectaba a cámaras IP mediante el protocolo RTSP. Los modelos de detección de objetos construidos con SageMaker (por ejemplo, detección de defectos en productos) se desplegaban en el appliance desde la consola y se aplicaba inferencia en tiempo real a las imágenes de las cámaras. Las aplicaciones se escribían en Python y activaban acciones basadas en los resultados de inferencia (envío de alertas, detención de línea). Solo los metadatos de los resultados de inferencia se enviaban al cloud y se monitorizaban con CloudWatch. El despliegue se realizaba OTA (Over-the-Air) a través de la consola o API, permitiendo desplegar el mismo modelo simultáneamente en appliances distribuidos en múltiples sitios. La gestión de versiones de modelos se integraba con SageMaker Model Registry, permitiendo construir pipelines que solo entregaban modelos aprobados para producción al edge.
Optimización de modelos y procesamiento multicámara
El Panorama Appliance estaba equipado con GPU NVIDIA y procesaba simultáneamente imágenes de múltiples cámaras IP. Al compilar modelos con SageMaker Neo y optimizarlos para el hardware de Panorama, se mejoraba la velocidad de inferencia. Las aplicaciones se escribían en Python, implementando preprocesamiento de frames con OpenCV, inferencia con el modelo y postprocesamiento de resultados (dibujo de bounding boxes, determinación de alertas). Un solo appliance podía procesar en paralelo hasta 8 flujos de cámaras, monitorizando simultáneamente múltiples ángulos de líneas de fabricación o tiendas minoristas. Los resultados de inferencia se enviaban a IoT Core mediante MQTT, pudiendo visualizarse como métricas de CloudWatch o emitir alertas con Lambda. Para ampliar conocimientos sobre machine learning, también puede consultar libros especializados en Amazon.
Casos de uso y escenarios de implementación
Los casos de uso principales de Panorama se concentraban en tres áreas: inspección de calidad en manufactura, monitorización de seguridad en almacenes logísticos y análisis de clientes en tiendas minoristas. En manufactura, las cámaras en líneas de producción capturaban la apariencia de productos y detectaban defectos (rasguños, astillas, irregularidades de color) en tiempo real para detener automáticamente la línea. Comparado con equipos de inspección dedicados tradicionales, la capacidad de reutilizar cámaras existentes y actualizar la lógica de inspección mediante software ofrecía una flexibilidad significativa. En almacenes logísticos, modelos de estimación de postura detectaban la proximidad entre montacargas y trabajadores para prevenir accidentes de colisión. En tiendas minoristas, modelos de generación de mapas de calor visualizaban patrones de tráfico de clientes para optimizar la disposición de estantes. En todos los casos, no enviar video al cloud lograba tanto la protección de privacidad del cliente como la reducción de costos de comunicación.
Comparación con Rekognition Video y DeepLens
Los servicios de AWS similares a Panorama incluían Rekognition Video y DeepLens (cuyo servicio finalizó en enero de 2024). Rekognition Video analiza flujos de video en el cloud, permitiendo su uso sin hardware edge, pero incurre en costos de ancho de banda y latencia al enviar video al cloud, siendo inadecuado para entornos con requisitos estrictos de privacidad. DeepLens era un dispositivo integrado con cámara para educación y prototipado, pero no soportaba rendimiento para cargas de trabajo de producción ni procesamiento multicámara. Panorama se posicionaba como un servicio de grado industrial con GPU de producción, procesamiento paralelo de 8 flujos y gestión operativa OTA. Para escenarios con pocas cámaras y ancho de banda suficiente, Rekognition Video podía iniciarse sin inversión inicial en hardware; Panorama resultaba ventajoso cuando aumentaba el número de cámaras y los costos de ancho de banda o la latencia se convertían en problemas.
Precios e implementación de Panorama - Consideraciones
Con el cierre del servicio, los siguientes precios ya no existen (se conservan como registro histórico). El Panorama Appliance se componía de un costo de hardware de aproximadamente 4,000 dólares (pago único) más una tarifa de servicio mensual, facturada no por dispositivo sino por cada transmisión de cámara activa procesada en el dispositivo, a 8.33 dólares por transmisión al mes. Comparado con el análisis de video basado en cloud (Rekognition Video), el procesamiento en el edge era más eficiente en costos en entornos con muchas cámaras. Al no enviar video al cloud, también se reducían los costos de ancho de banda. Durante la implementación, se configuraban la URL del flujo RTSP de la cámara, la configuración de red (dirección IP del appliance, DNS) y la asociación con la cuenta de AWS. Una consideración importante era que el appliance requería conectividad a internet para recibir comandos de gestión y descargar modelos, por lo que no podía usarse en entornos completamente aislados. Además, debido a restricciones de memoria GPU, los modelos de mayor tamaño reducían el número de flujos que podían ejecutarse simultáneamente, por lo que el equilibrio entre la reducción del tamaño del modelo y el número de flujos debía verificarse durante la fase de evaluación.
Resumen
Panorama añadía IA en el borde a cámaras IP existentes, pero llegó al fin de su soporte el 31 de mayo de 2026 y los appliances dependientes de la nube dejaron de funcionar. Para reconstruir una configuración equivalente, despliegue modelos creados con SageMaker en dispositivos comerciales basados en NVIDIA Jetson o servidores perimetrales, y gestione la distribución de aplicaciones y los dispositivos con IoT Greengrass. El principio de diseño de ejecutar la inferencia en el borde sin enviar vídeo a la nube, que optimiza la privacidad y el ancho de banda, sigue siendo válido en la arquitectura de reemplazo.