AWS DeepLens fue una cámara programable para practicar visión artificial y ejecutar inferencias junto al dispositivo. AWS cerró el servicio el 31 de enero de 2024: ya no es posible administrar DeepLens desde la consola ni usar sus proyectos como muestran los tutoriales antiguos. AWS la incluye entre los servicios retirados por completo en su lista oficial de cierres.
Esta guía explica qué cambió para quienes ya tienen una cámara DeepLens y qué caminos actuales sirven para aprender clasificación de imágenes, detección de objetos o inferencia local en el borde.
Qué era AWS DeepLens
DeepLens combinaba una cámara con cómputo local y un servicio de AWS para crear proyectos de visión artificial. El modelo procesaba imágenes en el dispositivo; el código podía usar los resultados localmente o enviarlos a otros servicios de AWS. La propuesta era probar el ciclo de captura, inferencia y respuesta sin diseñar desde cero todo el dispositivo.
Ese flujo sigue siendo una buena forma de pensar un proyecto: una cámara produce fotogramas, un modelo identifica patrones y la aplicación decide qué hacer. Lo que terminó fue el producto DeepLens y su administración desde AWS, no el aprendizaje de visión artificial ni la posibilidad de ejecutar modelos en equipos compatibles.
Qué cambió cuando DeepLens cerró
- La consola y la administración de DeepLens dejaron de estar disponibles. AWS anunció que, desde el cierre, no se podían administrar dispositivos ni acceder a proyectos creados con el servicio. La lista de servicios en cierre total confirma que AWS DeepLens terminó su soporte el 31 de enero de 2024.
- Las instrucciones de registro y despliegue dejaron de ser aplicables. No sigas un tutorial que te pida registrar una cámara, crear un proyecto DeepLens en la consola o publicar una función para desplegarla por ese mecanismo.
- Revisa los recursos de las cuentas que usaste. El cierre del servicio no confirma que esas cuentas y regiones hayan quedado limpias. Comprueba si todavía necesitas buckets de S3, funciones Lambda, objetos de AWS IoT o roles de IAM relacionados; verifica sus dependencias antes de borrarlos. El almacenamiento o los recursos activos pueden generar cargos.
- El equipo no recupera soporte por seguir encendido. AWS retiró DeepLens por completo, así que el servicio ya no está disponible ni recibe soporte, como muestra la lista oficial de cierres. Si el dispositivo todavía ejecuta código local, eso no implica soporte vigente para hardware o software. No dependas de él para una aplicación nueva.
El cierre también afecta proyectos anteriores: si necesitas un modelo, código o conjunto de datos, búscalo en tus copias locales, repositorios y buckets que aún existan. No cuentes con poder recuperarlo desde la consola de DeepLens.
Qué usar para aprender visión artificial hoy
No hay un reemplazo uno a uno para DeepLens. Elige la ruta según lo que quieras entender y dónde deba ejecutarse la inferencia:
Reconocer objetos o escenas habituales
Amazon Rekognition, operación DetectLabels recibe una imagen y devuelve etiquetas mediante una API administrada. Sirve para explorar análisis de imágenes; no ejecuta tu modelo localmente en una cámara.
Clasificar o localizar objetos propios
Amazon Rekognition Custom Labels permite entrenar un modelo con imágenes etiquetadas para categorías de tu caso. Revisa los requisitos del conjunto de datos y la modalidad de inferencia antes de empezar.
Entrenar un modelo con control sobre el flujo de ML
Los algoritmos de visión de Amazon SageMaker AI ofrecen opciones para clasificación, detección y segmentación. Entrenamiento, almacenamiento e inferencia en AWS pueden tener cargos.
Ejecutar inferencia cerca de la cámara
Los componentes de machine learning de AWS IoT Greengrass V2 permiten desplegar código, runtime y modelos a un dispositivo compatible. Esta ruta puede servir si necesitas inferencia local sin una llamada por imagen a la nube. Debes elegir y configurar tu propio equipo; no es una cámara lista para usar como lo era DeepLens.
Greengrass V2 ofrece componentes de ejemplo con TensorFlow Lite para clasificación de imágenes y detección de objetos, además de componentes que puedes adaptar a tus modelos. Antes de elegir una placa o una cámara, consulta la lista de componentes y plataformas compatibles. La compatibilidad depende del sistema operativo, la arquitectura y los requisitos del modelo; no presupongas que un dispositivo mencionado en un tutorial antiguo sigue siendo una opción soportada.
Una ruta práctica es empezar con imágenes de prueba y distinguir dos tareas: clasificación asigna una o más categorías a una imagen; detección identifica objetos y su ubicación dentro de la imagen. Luego, compara el resultado con etiquetas revisadas por una persona. Si tu objetivo es un caso específico, reúne imágenes representativas y reserva algunas que no usarás durante el entrenamiento para comprobar cómo responde el modelo ante ejemplos nuevos.
Antes de ejecutar trabajos de entrenamiento o procesar imágenes en AWS, revisa los precios de SageMaker AI y los precios de Rekognition para la región y el uso que planeas. Por ejemplo, Rekognition cobra el análisis de imágenes por uso. Borra al terminar los recursos de prueba que ya no necesites.
Si todavía no tienes una cámara y quieres empezar a practicar AWS sin comprar hardware, nuestra guía de cursos y laboratorios para estudiantes y docentes explica AWS Educate y otras opciones de formación. Esos laboratorios ayudan a aprender servicios de AWS, pero no simulan una cámara ni sustituyen una prueba de inferencia local.
Evita alternativas que también quedaron obsoletas
Algunas páginas antiguas sobre DeepLens todavía recomiendan AWS Panorama. El servicio cerró por completo el 20 de mayo de 2026; Amazon Lookout for Vision terminó su soporte el 31 de octubre de 2025. AWS incluye a ambos en su lista oficial de cierres. No los elijas como servicios nuevos para proyectos de visión.
Recursos, comunidades y ayuda
- Para una introducción a ML en AWS: la grabación de 2021 “Machine Learning para developers con Amazon SageMaker” es una charla del AWS User Group Peru. Úsala como material conceptual; la consola y los procedimientos pueden haber cambiado.
- Para conectar dispositivos con AWS IoT: el AWS User Group Ecuador publicó en 2024 la charla “Introducción al IoT en AWS con IoT Core y el ESP8266”. Trata la conexión de hardware a la nube; no es una guía para reactivar DeepLens.
- Para ver un ejemplo de IoT más reciente: el artículo “Cómo armé un Pit Wall con AWS IoT Core” explica una arquitectura de telemetría y enlaza su código y materiales de la charla. Es un complemento sobre datos de dispositivos, no sobre visión artificial.
- Para conversar sobre ML en la región: consulta el AWS UG Machine Learning Latam, un grupo de Meetup centrado en aprendizaje automático en Latinoamérica. Revisa su perfil para conocer sus próximas actividades.
- Para encontrar grupos y eventos cerca de ti: el directorio de comunidades AWS permite explorar grupos por país, tipo y tema. La agenda de eventos AWS en Latinoamérica muestra modalidad, fechas e inscripción; confirma los datos en la ficha del organizador.
- Para una pregunta técnica de AWS: AWS re:Post reúne preguntas y respuestas de la comunidad sobre diseño, construcción y operación de servicios de AWS.
Preguntas frecuentes
¿Se puede registrar o configurar una cámara AWS DeepLens nueva?
No. El servicio para registrar y administrar dispositivos y proyectos cerró el 31 de enero de 2024. Los pasos de consola que aparecen en tutoriales viejos ya no funcionan como un flujo actual.
¿Cómo compruebo si quedaron recursos de mis proyectos DeepLens?
Revisa los servicios y las regiones de las cuentas que utilizaste. No des por hecho que el cierre de DeepLens limpió esas cuentas: comprueba los buckets, funciones, objetos de IoT y roles relacionados, y sus dependencias. Antes de eliminar algo, confirma que no lo necesite otra aplicación.
¿Qué necesito para hacer inferencia local ahora?
Un dispositivo que cumpla los requisitos actuales de AWS IoT Greengrass y del runtime de tu modelo, además del código y los permisos para desplegar componentes. Comprueba esa compatibilidad antes de elegir hardware.
