用 SageMaker SDK v3 实现边缘端车队级计算机视觉模型全生命周期管理

该方案面向视觉质检概念验证成功后的规模化难题：同一产线数十条线、每条线多台相机，因角度、反光和环境光差异，单一汇总模型效果不足，实际部署中每台相机往往需要各自的微调模型，真正的挑战变成在无人值守下训练、评估、版本化和分发数千个模型。文章是对 2023 年边缘视觉质检 MLOps 流水线系列的更新，适配当前 Amazon SageMaker Python SDK v3，并以 SageMaker Neo 取代已弃用的 SageMaker Edge Manager 做边缘优化。 训练侧是一条按相机参数化的 SageMaker Pipeline，每次执行运行 13 个步骤。三个入口步骤并行执行 Preprocess、Fetch Latest Anomaly 和 Fetch Latest Classifier，先预处理该相机图像并取回两个分支各自最近一次获批模型，再分别训练：一个学习正常产品外观、以重建误差标记异常的小型卷积自编码器，和一个微调的 ResNet18 分类器用于确认缺陷。两个分支都将模型导出为 ONNX，并针对导出产物而非内存中的 PyTorch 模型做评估，确保被门禁检查的就是最终交付的产物。 质量门禁按缺陷数据的类别不平衡特性设计。样本中约 90% 图像为良品，普通准确率因此失去意义；分类器分支同时要求 balanced accuracy 不低于 0.6 且缺陷召回率不低于 0.5，异常分支要求 AUROC 不低于 0.8，阈值作为流水线参数可按次调整。门禁通过后模型经 SageMaker Neo 针对目标边缘设备编译，才注册进 SageMaker Model Registry；失败则由 FailStep 标记执行失败，该相机继续使用上一个获批模型。 编排侧负责控制车队节奏：重训请求进入 Amazon SQS FIFO 队列，Lambda 为每个请求启动一次 Step Functions 执行，执行先通过 DynamoDB 信号量获取槽位再启动流水线，默认最多同时放行五次执行，从而把并发训练任务控制在账户标准配额内。完成事件发布到 Amazon SNS，运行故障经 EventBridge 规则进入同一主题并保留原始错误。Model Registry 保存可移植的 ONNX，S3 保存 Neo 编译后的设备优化共享库，由 DLR 运行时加载。 部署使用 AWS CDK，需 Python 3.10 至 3.12、Docker 及 CDK CLI 2.1131.0 或更高版本。SDK v3 在合成阶段即用真实 IAM 校验流水线执行角色，因此示例采用两阶段部署：先以 -c bootstrap=true 创建角色、桶和 ECR 仓库，再合成流水线；此外 v3 角色校验器模拟 ECR 拉取权限时不带资源 ARN，故执行角色需授予较宽的 ECR 权限。合成数据上跑完整流水线约花费 0.07 美元算力，完整示例已在 aws-samples GitHub 仓库开放。