机器学习

边缘计算机视觉 - 使用 AWS Panorama 在现场对摄像头视频进行 AI 分析

将计算机视觉模型部署到 Panorama 设备，实时分析现有 IP 摄像头视频。解析边缘推理降低延迟和节省带宽的设计模式。

約 1 分で読めます

边缘计算机视觉的必要性

将 IP 摄像头视频发送到云端进行 ML 分析的架构在带宽成本、延迟和隐私方面存在问题。每台 HD 摄像头需要 2-5 Mbps 带宽，多台摄像头视频发送到云端网络成本巨大。需要实时性的用例（安全监控、质量检测）无法容忍到云端的往返延迟。此外，视频数据包含个人隐私信息，发送到云端增加了数据泄露风险。

Panorama 设备与模型部署

Panorama Appliance 是搭载 NVIDIA GPU 的边缘设备，可同时分析最多 8 个 IP 摄像头流。通过 RTSP 协议连接 IP 摄像头，获取视频帧并执行 ML 模型推理。可使用 SageMaker 构建的自定义模型或预训练模型（物体检测、人员检测等）。模型通过 OTA（Over-The-Air）更新部署到设备，无需现场操作。

用例与费用

Panorama 的主要用例包括制造线质量检测（将 Lookout for Vision 模型部署到边缘实时检测外观缺陷）、零售店客流分析（入店人数统计、动线分析、货架库存检测）、建筑工地安全监控（安全帽/安全背心佩戴检查、禁区入侵检测）和停车场空位检测（从摄像头视频实时计算空位数）。

Panorama 费用与运维

Panorama 设备约 4,000 美元购买，每台设备月费约 8.33 美元。每增加一个摄像头流月费约 8.33 美元。由于在边缘执行推理，无需向云端传输视频的带宽成本，对于需要实时性的用例，总成本比云端推理更有优势。模型更新通过 OTA 远程执行，无需现场操作。

总结 - Panorama 活用指南

AWS Panorama 是在边缘对 IP 摄像头视频进行实时 AI 分析的服务。不将视频数据发送到云端而在本地处理，实现带宽成本削减、低延迟和隐私保护。在制造、零售、建筑、物流等摄像头视频分析直接改善业务的现场发挥效果。只需在已安装 IP 摄像头的环境中添加 Panorama Appliance 即可实现 AI 分析。

相关服务

AWS Panorama为现有 IP 摄像头添加计算机视觉，实现边缘视频分析的服务Amazon SageMaker覆盖机器学习全生命周期的综合平台AWS IoT Greengrass在边缘设备上运行本地计算、消息传递和 ML 推理的服务

相关文章

使用 AWS Panorama 实现边缘计算机视觉 - 向现有摄像头部署 ML 模型在边缘设备上运行计算机视觉模型，实时分析摄像头画面。介绍 Panorama Appliance 的部署和模型管理。AWS Clean Rooms ML 隐私保护型机器学习 - 无需共享数据即可构建模型详细介绍通过 Clean Rooms ML 构建相似人群模型、应用差分隐私以及在广告定向投放中的实际应用。通过 Amazon Forecast 实现需求预测 - 时间序列数据的导入与预测精度提升介绍通过 Forecast 构建时间序列预测模型、利用相关数据以及导出预测结果的方法。

本主题的更多内容

使用 AWS Batch 执行基于 GPU 的机器学习训练 - 高性价比的大规模训练方案利用现有 Docker 容器执行 GPU 训练，通过 Spot 实例与检查点机制将成本最高降低 90%。同时介绍与 SageMaker 的使用场景区分。在 Amazon Bedrock 中使用 Claude - 从模型选择到提示词设计与成本优化介绍 Amazon Bedrock 中可用的 Anthropic Claude 模型特性对比、按使用场景的模型选择指南、提示词设计最佳实践以及成本优化方法。使用 Amazon Bedrock Knowledge Bases 构建 RAG 应用 - 检索增强生成的实现自动索引 S3 上的文档，通过 RetrieveAndGenerate API 整合检索与生成。介绍分块策略的选择以及通过 Guardrails 确保安全性的方法。使用 Amazon Braket 入门量子计算 - 量子电路的设计与模拟在本地模拟器上免费进行原型开发，在 IonQ、Rigetti 的真实硬件上执行量子电路。介绍通过混合作业实现 VQE 和 QAOA 的方法。AWS Clean Rooms ML 隐私保护型机器学习 - 无需共享数据即可构建模型详细介绍通过 Clean Rooms ML 构建相似人群模型、应用差分隐私以及在广告定向投放中的实际应用。使用 Amazon Comprehend 实现自然语言处理 - 情感分析与实体提取的活用详解 Comprehend 的情感分析、实体提取以及自定义分类模型的构建。对话式机器人构建 - 使用 Amazon Lex 和 Polly 实现自然的会话界面详解使用 Amazon Lex 和 Amazon Polly 构建对话式机器人的方法。文档文本提取 - 通过 Amazon Textract 和 Comprehend 实现智能文档处理解说通过 Amazon Textract 从文档中自动提取文本、表格和表单数据，以及与 Comprehend 联动实现的自然语言处理集成。介绍从发票处理到合同分析的实践用例。

相似的文章与服务

使用 AWS Panorama 实现边缘计算机视觉 - 向现有摄像头部署 ML 模型在边缘设备上运行计算机视觉模型，实时分析摄像头画面。介绍 Panorama Appliance 的部署和模型管理。AWS Panorama为现有 IP 摄像头添加计算机视觉模型，在边缘实时执行视频分析的设备服务AWS IoT Greengrass在边缘设备上运行 Lambda 函数和 ML 推理，即使与云的连接间断也能继续本地处理的边缘计算运行时通过 AWS IoT Greengrass 构建边缘 IoT 应用程序 - 本地处理与云端协作在边缘设备上执行 Lambda 函数，即使在与云端间歇性连接的环境中也能继续本地处理。介绍 ML 推理的边缘执行和设备群管理。