# AWS opisuje cykl modeli kontroli wizyjnej dla kamer z SageMaker SDK v3

- Source: MechNext — https://mechnext.eu/pl/article/54-aws-outlines-per-camera-visual-inspection-lifecycle-with-sagemaker-sdk-v3
- Published: 2026-10-27
- Updated: 2026-10-27
- Category: Industry News
- Language: pl (Markdown in other languages: ?lang=en, ?lang=de, ?lang=sk, ?lang=zh, ?lang=ru)

> Architektura referencyjna AWS łączy trening dla poszczególnych kamer, ocenę modeli ONNX i kompilację Neo. Przykład obejmuje sterowanie współbieżnością oraz jasno określone granice wdrożenia.

AWS przedstawia architekturę referencyjną kontroli wizyjnej z SageMaker Python SDK v3, aktualizującą wzorzec potoku z 2023 roku. Zastępuje wycofany SageMaker Edge Manager usługą SageMaker Neo do optymalizacji dla urządzeń brzegowych i wdraża infrastrukturę przez AWS CDK. Artykuł opisuje przykładowe rozwiązanie i jego wyniki, bez niezależnego potwierdzenia działania we flocie produkcyjnej.

### Jeden potok, modele przypisane do kamer

Przykład używa jednego SageMaker Pipeline z 13 krokami i parametrem kamery. Potok wstępnie przetwarza obrazy, pobiera najnowsze zatwierdzone modele danej kamery i trenuje dwie gałęzie: splotowy autoenkoder wykrywający anomalie oraz dostrajany ResNet18 klasyfikujący wady. Klasyfikator korzysta z wag wytrenowanych na ImageNet i głowicy dla dwóch klas. WeightedRandomSampler równoważy partie treningowe przez losowanie według odwrotności częstości klas, a funkcja straty pozostaje nieważona.

Każda gałąź korzysta ze wspólnej grupy pakietów modeli. Pakiety zawierają identyfikatory kamer i metryki oceny. ListModelPackages nie filtruje metadanych klienta po stronie serwera, dlatego pobieranie przegląda zatwierdzone pakiety od najnowszego, szukając właściwej kamery. Pierwszy przebieg używa wag ImageNet dla klasyfikatora i losowej inicjalizacji autoenkodera. Kolejne wznawiają trening z poprzedniego modelu kamery.

### Ocena jakości przed kompilacją

Ocena dotyczy wyeksportowanych artefaktów ONNX. Gałąź anomalii wymaga AUROC co najmniej 0,8. Klasyfikator musi osiągnąć jednocześnie zrównoważoną dokładność co najmniej 0,6 oraz czułość wykrywania wad co najmniej 0,5. Progi można zmieniać przy każdym uruchomieniu. Gałąź niespełniająca wymagań nie rejestruje modelu, lecz druga nadal może go zarejestrować. Kamera pozostaje przy swoim poprzednim zatwierdzonym modelu.

Obie gałęzie zachowują kolejność: kontrola jakości, kompilacja Neo, rejestracja. Kompilacja przepakowuje eksport do archiwum tar zawierającego wyłącznie ONNX i ustala rozmiar partii na 1. Nazwa zadania wynika z identyfikatora wykonania potoku, dzięki czemu ponowienie może kontynuować sprawdzanie stanu istniejącego zadania kompilacji.

Cele Neo są parametrami potoku. Domyślna platforma to LINUX/X86_64, a opcje nazwanych urządzeń obejmują jetson_xavier i rasp4b. Skompilowany pakiet zawiera compiled.so i środowisko DLR. Repozytorium udostępnia też skrypt kompilujący zarejestrowane modele dla kolejnych typów urządzeń bez ponownego treningu.

Model Registry kataloguje przenośne artefakty ONNX, a S3 przechowuje kompilacje Neo ładowane przez DLR. Wpisy rejestru odwołują się do obrazu treningowego i służą późniejszemu dostarczaniu artefaktów na urządzenia, a nie wdrożeniu przez CreateEndpoint. Sam przykład nie implementuje dostarczania artefaktów ani endpointów inferencji.

### Kolejka treningu i przejście na SDK v3

Żądania ponownego treningu trafiają do kolejki SQS FIFO. Lambda uruchamia wykonanie Step Functions dla każdego żądania. Semafor w DynamoDB atomowo ogranicza liczbę równoległych wykonań potoku, domyślnie do pięciu. Przy pełnej pojemności wykonania czekają i ponawiają próbę. Miejsca są zwalniane po zakończeniu i na ścieżkach błędów. SNS przekazuje informacje o zakończeniach i awariach operacyjnych, a awarie są przesyłane przez EventBridge.

SDK v3 dzieli funkcje na modułowe pakiety, a konfigurację treningu umieszcza w typowanych obiektach przekazywanych do ModelTrainer. W przykładzie CDK sprawdzanie istniejącej roli IAM podczas syntezy wymaga dwuetapowego wdrożenia i konkretnego ARN roli. Według AWS symulacja uprawnień ECR w walidatorze v3 wymaga ponadto szerszego dostępu niż polityka wykonawcza ograniczona do jednego repozytorium.

### Zakres danych i podanych kosztów

Domyślnie generowane są syntetyczne obrazy linii produkcyjnej. AWS podaje około 15 minut dla pełnych 13 kroków, wraz z obiema kompilacjami Neo, oraz około 0,07 USD za rozliczony czas ml.m5.xlarge według cen na żądanie z lipca 2026 w US East (Ohio). Koszty orkiestracji w skali przykładu mają wynosić znacznie poniżej 0,10 USD miesięcznie. Sama kompilacja Neo jest bezpłatna, ale przetwarzanie i pamięć S3 generują koszty. Wyników nie należy uogólniać na floty produkcyjne, inne regiony, sprzęt ani okresy cenowe.

Repozytorium zawiera również narzędzie pobierające 364 opisane obrazy rozmazów krwi BCCD, rozdzielające je według kamer i wysyłające archiwa treningowe. Obecność płytek krwi przypisuje do klasy wady. Towarzyszący notebook uruchamia potok i porównuje inferencję ONNX dla próbek normalnych i anomalnych. Artykuł wyraźnie określa to mapowanie jako ilustrację produkcyjną, a nie twierdzenie kliniczne.