Seguimiento de objetos

El seguimiento de objetos es un proceso dinámico en la visión por computadora (CV) que implica identificar entidades específicas en un video y monitorear su movimiento a través de una secuencia de fotogramas. A diferencia del análisis de imágenes estáticas, que trata cada instantánea de forma aislada, el seguimiento introduce la dimensión del tiempo. Esto permite a los sistemas de inteligencia artificial (IA) asignar un número de identificación único (ID) a cada elemento detectado, como un coche, una persona o un animal, y mantener esa identidad a medida que el objeto se mueve, cambia de orientación o queda temporalmente oculto. Esta capacidad es la piedra angular de la comprensión avanzada de vídeo, ya que permite a las máquinas analizar el comportamiento, calcular trayectorias y obtener información útil a partir de las imágenes sin procesar.

Cómo funciona el seguimiento de objetos

Los sistemas de seguimiento modernos suelen utilizar un paradigma de «seguimiento por detección». Este flujo de trabajo combina potentes modelos de detección con algoritmos especializados para asociar las detecciones a lo largo del tiempo. El proceso suele seguir tres etapas principales:

1. Detección: En cada fotograma, un modelo de detección de objetos, como el avanzado YOLO26, escanea la imagen para localizar objetos de interés. El modelo genera cuadros delimitadores que definen la extensión espacial de cada objeto.
2. Predicción de movimiento: algoritmos como el filtro de Kalman estiman la posición futura de un objeto basándose en su velocidad y trayectoria actuales. Esta predicción reduce el espacio de búsqueda para el siguiente fotograma, lo que hace que el sistema sea más eficiente.
3. Asociación de datos: el sistema compara las nuevas detecciones con las pistas existentes utilizando métodos de optimización como el algoritmo húngaro. Este paso suele basarse en métricas como la intersección sobre la unión (IoU) para medir en qué medida un cuadro previsto se superpone con una nueva detección. Los rastreadores avanzados también pueden utilizar la extracción de características visuales para volver a identificar objetos que parecen similares.

Seguimiento de objetos vs. Detección de objetos

Aunque estos términos están estrechamente relacionados, cumplen funciones distintas dentro del proceso de aprendizaje automático (ML).

• La detección de objetos responde a la pregunta: «¿Qué hay en esta imagen y dónde está?». Es sin estado, lo que significa que no tiene memoria de los fotogramas anteriores. Si un coche pasa por un vídeo, un detector ve un «coche» en el fotograma 1 y un «coche» en el fotograma 2, pero no sabe que se trata del mismo vehículo.
• El seguimiento de objetos responde a la pregunta: «¿Hacia dónde se dirige este objeto específico?». Es un proceso con estado. Conecta el «coche» del fotograma 1 con el «coche» del fotograma 2, lo que permite al sistema registrar que el «coche n.º 42» se está desplazando de izquierda a derecha. Esto es esencial para tareas como el modelado predictivo y el recuento.

Aplicaciones en el mundo real

La capacidad de mantener la identidad de los objetos permite complejas aplicaciones de inferencia en tiempo real en diversas industrias.

• Sistemas de transporte inteligentes: El seguimiento es vital para que los vehículos autónomos circulen con seguridad. Al realizar un seguimiento de los peatones y otros vehículos, los coches pueden predecir posibles colisiones. Además, los ingenieros de tráfico utilizan estos sistemas para estimar la velocidad con el fin de hacer cumplir las normas de seguridad y optimizar el flujo del tráfico.
• Análisis minorista: Las tiendas físicas utilizan la IA en el comercio minorista para comprender el comportamiento de los clientes. El seguimiento permite a los gerentes de las tiendas realizar recuentos de objetos para medir el tráfico de clientes, analizar los tiempos de permanencia frente a los expositores mediante mapas de calor y optimizar la gestión de las colas para reducir los tiempos de espera.
• Análisis deportivo: En los deportes profesionales, los entrenadores utilizan el seguimiento combinado con la estimación de la postura para analizar la biomecánica de los jugadores y las formaciones de los equipos. Estos datos proporcionan una ventaja competitiva al revelar patrones que son invisibles a simple vista.

Seguimiento con Python

Ultralytics la implementación de un seguimiento de alto rendimiento. El track modo en la biblioteca gestiona automáticamente la detección, la predicción de movimiento y la asignación de ID. El ejemplo siguiente muestra cómo utilizar el Plataforma Ultralytics Modelo YOLO26 compatible para track en un vídeo.

from ultralytics import YOLO

# Load the official YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video file or webcam (source=0)
# 'show=True' displays the video with bounding boxes and unique IDs
results = model.track(source="https://ultralytics.com/images/bus.jpg", show=True)

# Access the unique tracking IDs from the results
if results[0].boxes.id is not None:
    print(f"Detected Track IDs: {results[0].boxes.id.cpu().numpy()}")

Conceptos Relacionados

Para comprender plenamente el ecosistema del seguimiento, resulta útil explorar la segmentación de instancias, que realiza un seguimiento de los contornos precisos a nivel de píxeles de un objeto, en lugar de limitarse a un recuadro. Además, los retos de seguimiento de múltiples objetos (MOT) suelen incluir referencias ampliamente utilizadas, como MOTChallenge, para evaluar la capacidad de los algoritmos para gestionar escenas concurridas y oclusiones. Para la implementación en entornos de producción, los desarrolladores suelen utilizar herramientas como NVIDIA u OpenCV para integrar estos modelos en procesos eficientes.