AWS Panorama 提供終了 - エッジコンピュータビジョンの移行ガイド
AWS Panorama は 2026 年 5 月 31 日に提供終了し、Appliance も動作を停止。SageMaker + NVIDIA Jetson 系デバイス + IoT Greengrass による公式代替構成と、提供当時の仕組みを解説します。
提供終了と移行先
AWS Panorama は 2026 年 5 月 31 日をもって提供終了 (End of Support) となりました。新規利用の受付は 2025 年 5 月 20 日に終了しています。Panorama Appliance とアプリケーションはクラウドサービスへの接続に依存していたため、サービス終了後はデバイス自体も動作しません。AWS 公式の案内では、代替として AWS パートナーの既製ソリューションを利用するか、Amazon SageMaker (JumpStart のコンピュータビジョンアルゴリズムを含む) でモデルを構築し、NVIDIA Jetson ベースの市販デバイスやエッジサーバー上で実行して、AWS IoT Greengrass や AWS Systems Manager、Amazon EKS / ECS Anywhere でエッジ管理を行う構成が示されています。本ページは提供当時の仕様を記録した歴史的資料 + 移行ガイドとして残しています。
Panorama の概要
Panorama は既存の IP カメラにコンピュータビジョンの ML モデルをデプロイし、エッジでリアルタイム推論を実行するサービスでした。カメラの映像をクラウドに送信する必要がなく、プライバシーと帯域幅の両方の課題を解決する位置づけでした。1 台のアプライアンス (NVIDIA Jetson AGX Xavier / 32 GB RAM 搭載) には最大 10 個のアプリケーションをデプロイでき、アプリケーション 1 つあたり最大 8 本のカメラストリームを監視できました (公式ドキュメント記載のクォータ・2026 年 8 月時点)。処理できるフレームレートはモデルの重さと同時処理ストリーム数に依存し、推論結果は IoT Core 経由でクラウドに送信しました。映像データはアプライアンス内で完結し、ネットワーク外に出ないため、GDPR や HIPAA など厳格なデータローカリティ規制が求められる環境でも導入しやすい設計でした。
アプライアンスとモデルデプロイ
Panorama Appliance はオンプレミスに設置する専用デバイスで、RTSP プロトコルで IP カメラに接続しました。SageMaker で構築した物体検出モデル (例: 製品の欠陥検出) をコンソールからアプライアンスにデプロイし、カメラ映像にリアルタイムで推論を適用しました。アプリケーションは Python で記述し、推論結果に基づくアクション (アラート送信、ライン停止) をトリガーする構成でした。推論結果のメタデータのみをクラウドに送信し、CloudWatch でモニタリングしました。デプロイはコンソールまたは API から OTA (Over-the-Air) で実施でき、複数拠点に分散配置されたアプライアンスに対して同一モデルを一括展開できました。モデルのバージョン管理は SageMaker Model Registry と連携し、本番承認されたモデルのみをエッジに配信するパイプラインを構築できました。
モデル最適化とマルチカメラ処理
Panorama Appliance は NVIDIA GPU を搭載し、複数の IP カメラからの映像を同時に処理しました。モデルは PyTorch・Apache MXNet・TensorFlow で構築でき、デプロイ時に SageMaker AI Neo が Panorama のハードウェア向けにコンパイルして推論速度を最適化しました。映像入力は RTSP で配信される H.264 ストリームのみに対応し、2 メガピクセルを超えるストリームはアプライアンス側で 1920x1080 相当 (アスペクト比を保つサイズ) へ縮小されました。アプリケーションは Python で記述し、OpenCV でフレームの前処理、モデルで推論、結果の後処理 (バウンディングボックスの描画、アラート判定) を実装しました。クォータはアプリケーション 1 つあたり最大 8 本のカメラストリームで、1 デバイスに最大 10 個のアプリケーションをデプロイできたため、工場の製造ラインや小売店舗の複数アングルを 1 台のアプライアンスで同時に監視できました。ただし実際に同時処理できる本数は GPU メモリとモデルサイズに左右されるため、クォータの上限どおりに積めるとは限りませんでした。推論結果は MQTT で IoT Core に送信し、CloudWatch メトリクスとして可視化したり、Lambda でアラートを発行したりできました。
ユースケースと導入シナリオ
Panorama の代表的なユースケースとしては、製造業の品質検査、物流倉庫の安全監視、小売店舗の来客分析が挙げられます。製造業では製造ラインのカメラで製品外観を撮影し、欠陥 (傷、欠け、色ムラ) をリアルタイムに検出してラインを自動停止しました。従来の専用検査装置に比べて既存カメラを流用でき、検査ロジックをソフトウェアで更新できる柔軟性が強みでした。物流倉庫ではフォークリフトと作業員の接近をポーズ推定モデルで検出して衝突事故を未然に防止し、小売店舗ではヒートマップ生成モデルで顧客導線を可視化して棚レイアウトの最適化に活用しました。いずれも映像をクラウドに送信しないため、顧客のプライバシー保護と通信コスト削減を両立できました。
Rekognition Video / DeepLens との比較
Panorama と類似する AWS サービスに Rekognition Video と DeepLens (2024 年 1 月 31 日にマネジメントコンソールからのアクセスとデバイス管理・プロジェクト参照が終了) がありました。Rekognition Video はクラウド側で映像ストリームを分析するため、エッジ側にハードウェアを置かずに利用できますが、映像をクラウドに送信する帯域コストとレイテンシが発生し、プライバシー要件が厳しい環境には向きません。DeepLens は教育・プロトタイプ向けのカメラ一体型デバイスでしたが、本番ワークロード向けの性能やマルチカメラ処理には対応していませんでした。Panorama は本番グレードの GPU を搭載し、複数ストリームの並列処理と OTA による運用管理を備えた産業用途向けサービスという位置づけでした。カメラ台数が少なく帯域に余裕がある場合は Rekognition Video の方がハードウェア初期投資なしで開始でき、カメラ台数が増えて帯域コストやレイテンシが問題になる環境で Panorama が有利という関係でした。
Panorama の料金と導入時の注意点
Panorama の費用は、アプライアンス本体を購入するハードウェア費用と、サービス利用に対する月額料金の 2 本立てでした。ただし提供終了に伴って公式料金ページは撤去されており、当時の単価を一次資料で確認できないため、本ページでは具体的な金額を記載しません。移行後の構成では、この費用は市販の NVIDIA Jetson 系デバイスまたはエッジサーバーの購入費と、IoT Greengrass や Systems Manager などデバイス管理サービスの料金に置き換わります。クラウドベースの映像分析 (Rekognition Video) と比較すると、カメラ台数が多い環境ではエッジ処理の方がコスト効率に優れていました。映像をクラウドに送信しないため、帯域幅のコストも削減できました。導入時はカメラの RTSP ストリーム URL、ネットワーク設定 (アプライアンスの IP アドレス、DNS)、AWS アカウントとの関連付けを設定しました。注意点として、アプライアンスは管理コマンドの受信とモデルダウンロードにインターネット接続が必須であり、完全なエアギャップ環境では利用できませんでした。また GPU メモリの制約上、1 モデルあたりのサイズが大きい場合は同時実行できるストリーム数が減少するため、モデルの軽量化とストリーム数のバランスを検証段階で確認する必要がありました。クォータ面では、リージョンごとに登録できるアプライアンスは最大 50 台、アプリケーションノードパッケージは 50 個 (1 パッケージあたり 20 バージョンまで)、デプロイはデバイスごとに 1 日 200 回まででした (公式ドキュメント記載値・2026 年 8 月時点・いずれも引き上げ不可)。ハードウェア面では、アプライアンスに Wi-Fi・Bluetooth・SD カードスロットが実装されていながら利用できない仕様であること、動作温度が -20〜60°C で防塵防滴が IP-62 相当であることも、設置場所を選ぶ際の判断材料になりました。
まとめ
Panorama は既存 IP カメラにエッジ AI を追加するサービスでしたが、2026 年 5 月 31 日に提供を終了し、クラウドサービスに依存する Appliance も動作しなくなりました。同等の構成を再現するには、NVIDIA Jetson ベースの市販デバイスまたはエッジサーバーに SageMaker で構築したモデルをデプロイし、IoT Greengrass などでアプリケーション配布とデバイス管理を行います。映像をクラウドに送信せずエッジで推論するという設計思想 (プライバシーと帯域幅の最適化) は、移行後のアーキテクチャでも変わらず有効です。
参考資料 (AWS 公式)
本ページの一次情報は AWS 公式サイトおよび公式ドキュメントです。最新の仕様 / 料金は次の公式ページで確認できます。
本ページと公式ドキュメントの記述が食い違う場合は、公式ドキュメントを正としてください。