Seguimiento de objetos

Cómo funciona el seguimiento de objetos

El seguimiento de objetos suele comenzar detectando objetos en el fotograma inicial mediante un detector de objetos, como un Ultralytics YOLO de Ultralytics. Una vez detectado un objeto, a menudo representado por un cuadro delimitador, el algoritmo de seguimiento le asigna un ID único. En los fotogramas siguientes, el algoritmo predice la nueva ubicación del objeto basándose en su estado anterior, que puede incluir características de posición, velocidad y apariencia. Esta predicción suele implicar técnicas como la estimación del movimiento. A continuación, el sistema asocia los objetos recién detectados en el fotograma actual con los objetos rastreados existentes, actualizando sus trayectorias y manteniendo sus ID únicos.

Este proceso debe hacer frente a varios retos, como que los objetos se oculten temporalmente (oclusión), cambios en la apariencia de los objetos, interacciones complejas entre varios objetos y variaciones en la iluminación o el punto de vista de la cámara. Entre las técnicas habituales utilizadas para afrontarlos se incluyen métodos de filtrado como el Filtro de Kalman (KF ) para la predicción y asociación del movimiento, y enfoques más avanzados de aprendizaje profundo (DL) como SORT (Simple Online and Realtime Tracking) y DeepSORT, que combinan características de movimiento y apariencia para un seguimiento más robusto. Los modelos Ultralytics admiten varios rastreadores disponibles para aplicar estas técnicas. La gestión eficaz de la oclusión es crucial para mantener la continuidad del seguimiento.

Diferencias clave con conceptos afines

Es importante distinguir el seguimiento de objetos de otras tareas relacionadas con la visión por ordenador:

• Detección de Objetos: Identifica y localiza objetos (normalmente con cuadros delimitadores) dentro de una sola imagen o fotograma. Responde a "¿Qué objetos están dónde en este fotograma?". El seguimiento de objetos se basa en la detección añadiendo la dimensión temporal, respondiendo a "¿Dónde se movió este objeto concreto a lo largo del tiempo?"
• Clasificación de imágenes: Asigna una única etiqueta a toda una imagen (por ejemplo, "contiene un gato"). No localiza objetos ni los rastrea.
• Segmentación de imágenes: Asigna una etiqueta de clase a cada píxel de una imagen. Aunque la segmentación de instancias distingue diferentes instancias de objetos, la segmentación estándar no rastrea estas instancias a través de los fotogramas. Combinar la segmentación de instancias con el seguimiento(segmentación y seguimiento de instancias) es una tarea relacionada, pero más compleja, que proporciona máscaras a nivel de píxel para los objetos rastreados.

Aplicaciones en el mundo real

El seguimiento de objetos, en concreto el Seguimiento de Objetos Múltiples (MOT), es crucial para numerosas aplicaciones de IA del mundo real:

• Vehículos autónomos: Esencial para seguir a peatones, ciclistas y otros vehículos para predecir su movimiento, lo que permite una navegación segura y evitar colisiones. Esta capacidad es fundamental para alcanzar mayores niveles de automatización de la conducción e impulsa muchas soluciones de IA en coches autónomos.
• Videovigilancia y Seguridad: Vigilancia de personas o vehículos en zonas sensibles, detección de comportamientos inusuales y activación de alertas automáticas. Algunos ejemplos son la creación de un sistema de alarma de seguridad o el uso de cámaras de seguridad con IA para la protección del perímetro.
• Análisis del comercio minorista: Seguimiento de los recorridos de los clientes por las tiendas para optimizar la distribución, analizar los tiempos de permanencia, realizar una gestión automatizada de las colas y comprender los patrones de compra para mejorar la experiencia del cliente en la IA en el comercio minorista.
• Análisis deportivo: Seguir a los jugadores y el balón durante los partidos proporciona datos valiosos para el análisis del rendimiento, la planificación táctica y la generación de resúmenes automatizados. Más información sobre la visión por ordenador en los deportes.
• Robótica: Permitir a los robots seguir e interactuar con objetos o personas en entornos dinámicos, crucial para tareas como la fabricación colaborativa o la navegación autónoma en almacenes.
• Seguimiento de la fauna salvaje: Seguimiento no invasivo de animales para estudiar su comportamiento, pautas de migración y tamaño de las poblaciones, lo que contribuye a los esfuerzos de conservación. Se han utilizado modelos Ultralytics como YOLOv8 para el seguimiento de animales.
• Gestión del Tráfico: Control del flujo de vehículos, recuento de vehículos en regiones específicas(Recuento por regiones) y detección de incidentes para una infraestructura urbana más inteligente(IA en la gestión del tráfico).

Herramientas y aplicación

Implementar el seguimiento de objetos a menudo implica combinar modelos de detección de objetos con algoritmos de seguimiento. Bibliotecas populares como OpenCV proporcionan funcionalidades básicas de seguimiento. Frameworks como PyTorch y TensorFlow se utilizan para construir y entrenar los modelos de detección subyacentes. Ultralytics simplifica este proceso integrando capacidades de rastreo directamente en sus modelos como YOLO11. Los usuarios pueden activar fácilmente el rastreo utilizando el modo de rastreo dedicado. Para gestionar todo el flujo de trabajo, desde la anotación de datos hasta el despliegue, plataformas como Ultralytics HUB ofrecen herramientas completas. Puedes seguir guías como la de Seguimiento de ObjetosYOLO11 para empezar.