AWS Panorama Appliance能夠部署在網際網路連線受限的環境，在本地端處理攝影機的影像，執行各種電腦視覺任務

AWS在re:Invent 2020大會上，發布了邊緣電腦視覺服務SDK和專用的設備，而現在相對應的設備AWS Panorama Appliance正式推出，能夠讓用戶部署在本地端，快速且安全地分析攝影機圖像，執行電腦視覺任務。

雖然在雲端，用戶能夠利用大規模儲存和運算資源，方便地訓練電腦視覺模型，但是部分情境，用戶無法或是不想在雲端執行這類工作負載，AWS提到，很多時候需要部署電腦視覺功能的現場，沒有足夠的頻寬，無法將影像送上雲端，或是部分用例需要非常低的延遲，也有不少用戶只想要將圖像保存在本地端。

而AWS Panorama能夠滿足這些需求，讓用戶直接在本地端對攝影機應用電腦視覺技術，以高精度和低延遲在本地端進行預測。透過AWS Panorama Appliance，自動執行過去需要人工檢查的任務，像是評估製造品質、辨識工業流程的瓶頸，甚至是監控工作場所的安全。

即便沒有網際網路連接的環境，也可以使用AWS Panorama Appliance，攝影機製造商利用SDK，可以直接在其IP攝影機加入相關的功能。官方解釋，AWS Panorama Appliance是執行應用程式的硬體，用戶利用AWS Panorama控制臺，或是AWS SDK來註冊設備，更新其軟體並且部署應用程式。

AWS Panorama Appliance能夠探索連接的攝影機串流，將影像轉送到用戶的應用程式，只要在設備連接顯示器，就可以顯示影像輸出。AWS Panorama Appliance是一個邊緣裝置，不會將影像發送到AWS雲端處理，而是在本地端以經過最佳化的硬體運算，這樣的方式可以讓用戶即時分析影像，並在網路連接受限的環境，依然可以執行運算，AWS Panorama Appliance需要連接網路的時機，僅有回報其狀態、上傳日誌紀錄，以及獲得更新等。

AWS Panorama Appliance所執行的應用程式稱為節點，包含了一系列元件，包括攝影機、模型、程式碼和全域變數，AWS Panorama Appliance從S3存取用戶上傳的應用程式節點包。

電腦視覺模型是經過訓練，以處理圖像的機器學習網路，電腦視覺模型可以執行各種任務，像是分類、檢測、分割和追蹤，其接受圖像輸入，並且輸出有關圖像或是圖像中物件的資訊。AWS Panorama支援包括Apache MXNet、Keras、ONNX、PyTorch、TensorFlow和TensorFlow Lite所建構的模型，用戶可以使用Amazon SageMaker建構模型，並且從S3儲存桶匯入。