Cómo añadir analítica de IA a las cámaras de seguridad existentes

Casi todas las organizaciones que preguntan cómo añadir IA a sus cámaras de seguridad ya tienen la respuesta que necesitan en alguna de estas tres opciones; el error está en empezar por el software en lugar de por el parque de cámaras. Las cámaras que tienes (su resolución a las distancias relevantes, sus ángulos, su rendimiento con poca luz y dónde se pueden procesar sus flujos) determinan cuál de las tres opciones tienes siquiera disponible.

Esta guía aborda primero la auditoría honesta de las cámaras y, después, las tres opciones: comprar una capa de analítica que se integre con tu sistema de gestión de vídeo actual, actualizar el VMS o las propias cámaras y alojar tus propios modelos de detección en los flujos que ya tienes. La mayoría de los lectores debería elegir una de las dos primeras. La tercera es una opción real para un conjunto concreto de restricciones, y esta guía explica claramente cuáles son.

Empieza por las cámaras, no por el software#

Un proveedor de analítica estará encantado de conectarse a una cámara que no puede ofrecer la detección que quieres. Haz una auditoría antes de evaluar opciones.

• Píxeles sobre el objetivo, no megapíxeles. Una cámara 4K que cubre un patio amplio puede captar menos píxeles de una persona a cuarenta metros que una cámara 1080p que cubre una puerta. Cada detección requiere una altura mínima en píxeles, y este es el motivo más habitual por el que una actualización decepciona.
• Ángulo. Las cámaras colocadas por seguridad suelen orientarse para ver caras en una zona amplia. Esta geometría es casi la peor para el recuento y la lógica de zonas, donde las vistas cenitales superan con creces a las oblicuas.
• Rendimiento con poca luz y contraluz. Haz pruebas al anochecer, de noche y a la hora a la que el sol apunta al objetivo. La iluminación infrarroja cambia sustancialmente las características de la imagen, y un modelo evaluado solo con grabaciones diurnas puede darte una sorpresa.
• Frecuencia de fotogramas y códec. Los flujos muy comprimidos y con una frecuencia de fotogramas baja pierden los detalles de los que dependen los modelos. Comprueba qué guarda realmente el grabador y qué puede generar la cámara.
• Acceso al flujo. ¿Puedes obtener un segundo flujo RTSP por cámara sin degradar la grabación? Muchas cámaras admiten un flujo secundario de menor resolución, que suele ser suficiente y mucho más barato de procesar.
• Capacidad y topología de la red. La analítica continua en muchos flujos consume ancho de banda hasta un servidor central o requiere capacidad de computación cerca de las cámaras. Esto determina la arquitectura más a menudo que las preferencias de software.
• Antigüedad y estado de los parches de las cámaras. Las cámaras con credenciales predeterminadas en una red plana son un problema de seguridad antes de ser una oportunidad para la analítica.

El resultado de esta auditoría suele ser una división: algunas cámaras son adecuadas para detectar zonas y presencia, menos sirven para una clasificación detallada y unas cuantas necesitan cambiar de posición o sustituirse, independientemente de la opción elegida.

Tres opciones#

Opción 1: una capa de analítica sobre tu VMS actual#

Esta es la recomendación predeterminada. Estos productos existen precisamente para añadir capacidades de detección a parques de cámaras sin sustituirlos y, para los casos de uso de seguridad estándar, son más rápidos y baratos que cualquier solución que pudieras crear.

BriefCam. Una capa de analítica de contenido de vídeo cuyo punto fuerte es la revisión rápida y la búsqueda en grabaciones, y que se puede implementar en las instalaciones. Ideal para entornos con muchas investigaciones, donde la principal carga de trabajo consiste en localizar eventos en vídeos históricos. Desventaja: se integra sobre un VMS y añade un componente en lugar de sustituirlo.

IronYun / Vaidio. Una capa de analítica de IA diseñada para incorporar detecciones a cámaras y plataformas VMS existentes, con un amplio catálogo de detecciones de seguridad. Ideal para organizaciones que quieren más analítica sin tocar la infraestructura de grabación. Desventaja: añade otro proveedor a la cadena de integración, que hay que probar y mantener.

Lumana. Se centra en añadir IA a parques de cámaras existentes y presta atención al proceso de modernización, en lugar de dar por hecho que se parte de cero. Ideal para equipos cuyo requisito explícito es conservar las cámaras actuales. Desventaja: es una empresa de reciente incorporación en comparación con los proveedores de VMS consolidados.

Volt.ai. También se orienta a superponer IA a la infraestructura de videovigilancia existente y destaca la orientación para la integración como parte de su oferta. Ideal para organizaciones que modernizan instalaciones con distintos tipos de cámaras. Desventaja: como ocurre con cualquier capa superpuesta, la calidad del resultado sigue dependiendo de las cámaras subyacentes.

Lo que ofrecen las cuatro opciones: detecciones estándar (presencia de personas y vehículos, cruce de línea, intrusión en zonas, merodeo, objetos abandonados, densidad de multitudes y búsqueda por atributos en grabaciones), con soporte y alguien responsable de la precisión. Lo que no ofrecen: una detección que no figure en el catálogo.

Una nota sobre el alcance. Varios de estos productos promocionan la búsqueda por atributos en grabaciones, pero los proveedores difieren mucho en si eso significa encontrar atributos descriptivos, como el color de la ropa, o identificar personas. Son capacidades muy distintas, con implicaciones legales muy distintas, por lo que conviene aclarar qué estás comprando y qué quieres realmente. Limitar el alcance a la detección de atributos y eventos, en lugar de la identidad, facilita el cumplimiento normativo y basta para la mayoría de los flujos de trabajo de seguridad.

Opción 2: actualizar el VMS o las cámaras#

A veces, la respuesta honesta es que la limitación está en el parque de cámaras, no en la analítica. Si las cámaras son antiguas, están mal colocadas, no se pueden actualizar con parches y graban con una frecuencia de fotogramas baja, añadirles una capa de IA acaba decepcionando.

Genetec Security Center. Vídeo, control de acceso y ALPR unificados, con sólidas herramientas de ciberseguridad y privacidad, y opción de implementación en las instalaciones. Ideal para grandes instalaciones empresariales y del sector público que necesitan una solución unificada de seguridad física. Desventaja: es una plataforma considerable que requiere conocimientos especializados a la altura.

Milestone XProtect. Un VMS de plataforma abierta con un amplio ecosistema de integraciones de terceros, que permite elegir la analítica de forma independiente de la capa de grabación. Ideal para organizaciones que quieren mantener abierta esa posibilidad de elección. Desventaja: alguien tiene que hacerse cargo de integrar todos los componentes.

Avigilon Unity. Seguridad de vídeo en las instalaciones, con analítica integrada y una estrecha integración entre cámaras y software. Ideal para equipos que quieren una pila tecnológica coherente de un único proveedor. Desventaja: ofrece mejores resultados si se adoptan sus propias cámaras.

Verkada. Cámaras gestionadas en la nube, con analítica integrada y especial énfasis en la facilidad de implementación y gestión. Ideal para organizaciones distribuidas con varias sedes y pocos recursos de TI in situ. Desventaja: su arquitectura gestionada en la nube no cumple algunos requisitos de residencia de datos.

Rhombus. También se gestiona en la nube e incluye analítica; está pensada para simplificar la implementación en varias sedes. Ideal para organizaciones del segmento medio que quieren una implementación rápida. Desventaja: como en el caso anterior, el modelo en la nube supone una limitación cuando las grabaciones deben permanecer localmente.

Eagle Eye Networks. Gestión de vídeo en la nube, con un enfoque de API abierta y opciones de analítica. Ideal para organizaciones que quieren gestión en la nube sin renunciar a la flexibilidad de integración. Desventaja: su arquitectura depende de la nube.

Axis Camera Station. Gestión de vídeo sencilla en las instalaciones con cámaras Axis y analítica integrada en las cámaras, además de documentación sobre la procedencia del hardware con un nivel de detalle poco habitual. Ideal para implementaciones de Axis de tamaño medio. Desventaja: es menos adecuada para parques muy grandes con varias sedes que las plataformas empresariales.

Si tienes requisitos de residencia de datos, aislamiento de redes o restricciones de contratación, estos reducirán las opciones de la lista antes que cualquier otro factor. Nuestra guía sobre analítica de vídeo en las instalaciones para el cumplimiento de la normativa de seguridad aborda con más detalle los marcos de cumplimiento que determinan esas decisiones.

Opción 3: alojar tus propios modelos en tus flujos actuales#

Esta es la opción minoritaria, y es la adecuada en determinadas circunstancias:

• La detección no figura en ningún catálogo. Puede tratarse de un equipo concreto, una condición específica de unas instalaciones, un estado de un proceso o un producto en una línea. No se puede configurar una clase nueva en una analítica de seguridad genérica. - El límite de inferencia es absoluto. No se trata solo del almacenamiento. Ninguna imagen puede salir de la red para analizarse, tampoco hacia el nivel en la nube de un proveedor. - Estás comercializando un producto. Si la analítica es una función de algo que vendes, las licencias por canal no encajan con el modelo de costes y tendrás que desarrollarla. - Las licencias por canal no son escalables para la cantidad de flujos que tienes y dispones de capacidad de ingeniería para gestionar una alternativa. - Necesitas controlar el ciclo de vida del modelo y reentrenarlo con tus propias grabaciones a medida que cambian las instalaciones, en lugar de esperar a las versiones del proveedor.

Si no se cumple ninguna de esas condiciones, elige la opción 1.

La arquitectura#

Conserva el VMS. La grabación, la retención, el control de acceso y el registro de auditoría ya están resueltos y son relevantes para el cumplimiento normativo. Consume los flujos del VMS; no lo sustituyas.

Introduce los flujos RTSP en tu propio servicio de inferencia. Siempre que la resolución lo permita, prioriza el flujo secundario de la cámara. Decodificarlo cuesta mucho menos, y a menudo la decodificación, más que la inferencia, es el verdadero cuello de botella.

Ejecuta la detección y el seguimiento. Los modelos Ultralytics YOLO (YOLOv8, YOLO11 y YOLO26) cubren las tareas relevantes: detección de personas, vehículos y objetos; seguimiento para el cruce de líneas y la lógica de zonas; estimación de poses para detectar posturas y caídas; y segmentación cuando los límites importan más que las cajas. Exporta a ONNX o TensorRT para el hardware en el que vayas a implementar la solución.

Entrena con tus propias grabaciones. Un modelo general reconoce bien a personas y vehículos. Tus cámaras, ángulos, condiciones meteorológicas e iluminación específicos determinan la precisión en producción, y los conjuntos de datos públicos no los representarán. Ultralytics Platform permite anotar grabaciones de las instalaciones con Smart Annotation basado en SAM y entrenar dentro del mismo flujo de trabajo, algo importante si la alternativa es combinar herramientas de anotación y entrenamiento.

Integra los eventos en el flujo de trabajo de seguridad. Las detecciones deben llegar al VMS o al sistema de gestión de alarmas que ya consultan los operadores. Un panel independiente se convierte en otra herramienta que nadie abre.

Resuelve las licencias antes de que el piloto pase a producción. Los modelos Ultralytics YOLO se ofrecen bajo AGPL-3.0, y las implementaciones comerciales o propietarias suelen requerir una licencia Ultralytics Enterprise, que también cubre la implementación privada y el soporte avanzado. Resolverlo durante el diseño cuesta mucho menos que hacerlo después de la implementación.

Dimensionar la capacidad de computación#

La inferencia continua en muchos flujos requiere planificar la capacidad, y hay dos factores clave.

El primero es la frecuencia de fotogramas. La mayoría de los eventos de seguridad no requieren todos los fotogramas. Ajusta la frecuencia en función del evento más breve que tengas que detectar (para detectar a una persona cruzando una línea hace falta mucho menos que 30 fps) y los requisitos de capacidad suelen reducirse considerablemente.

El segundo es dónde se ejecuta la inferencia. Los dispositivos perimetrales cerca de las cámaras evitan transmitir vídeo por la red y mantienen las grabaciones en local, que suele ser precisamente el objetivo. Un servidor GPU central es más fácil de gestionar y operar, pero concentra la demanda de ancho de banda. En instalaciones mixtas es habitual combinar ambas opciones: inferencia perimetral en ubicaciones remotas y procesamiento central donde la red es buena.

Haz pruebas de rendimiento con tus propios flujos y hardware. Las cifras de rendimiento de los modelos medidas con conjuntos de datos seleccionados no predicen el rendimiento de una canalización de decodificación e inferencia en tus cámaras.

Las falsas alarmas se solucionan por encima del modelo, no dentro de él#

El fallo más habitual de un sistema desarrollado internamente no es una precisión de detección deficiente, sino un volumen de alertas al que los operadores dejan de responder en menos de dos semanas.

Las detecciones no son eventos. La capa que convierte las cajas en alertas es donde realmente se controla la tasa de falsas alarmas:

• Persistencia. Exige que se establezca una trayectoria durante varios fotogramas antes de contarla. Las detecciones de un solo fotograma son ruido.
• Geometría de las zonas en términos del mundo real. Un polígono dibujado en una imagen 2D no es una zona sobre el terreno. Sin calibración de perspectiva, una persona que esté bastante fuera de una zona de peligro puede parecer que está dentro.
• Antirrebote. Una persona que merodea en un umbral no debería generar eventos de cruce repetidos.
• Horarios y excepciones. Una carretilla elevadora en un pasillo a las 14:00 es normal; a las 2:00, no. Codificar esta regla elimina gran parte de las alertas.
• Niveles de escalado. No todas las detecciones merecen una alarma. Una alerta en tiempo real, un resumen por turno y una tendencia semanal son tres resultados distintos, cada uno con requisitos de precisión diferentes.

Espera que esta capa requiera más código que la integración del modelo, y mide el sistema por las falsas alarmas por turno, no por la precisión de detección frente a un conjunto de prueba. Las falsas alarmas por turno determinan si el sistema seguirá encendido dentro de tres meses.

Privacidad y alcance#

Añadir analítica a las cámaras existentes cambia lo que hacen, y eso suele generar obligaciones que no existían cuando se instalaron.

• Limitación de la finalidad. Las cámaras instaladas por seguridad no deberían convertirse silenciosamente en herramientas de supervisión de la productividad o del comportamiento. En el entorno laboral, esto es tanto una cuestión legal como de confianza.
• Reevalúa; no des nada por sentado. Añadir análisis automatizado a grabaciones existentes suele exigir una nueva evaluación de protección de datos y, en buena parte de la UE, una consulta con la representación de los trabajadores.
• Excluye la identificación. La detección de personas y vehículos, el cruce de líneas, la intrusión en zonas, el merodeo, la densidad de multitudes y la detección de objetos abandonados funcionan con detecciones anónimas. Ultralytics no ofrece sus modelos para el reconocimiento facial, y la identificación conlleva un riesgo legal considerablemente mayor sin mejorar ninguna de esas detecciones.
• Minimiza lo que conservas. Si los eventos y los recuentos responden a la pregunta, conserva los eventos y los recuentos.
• Registra las visualizaciones y las exportaciones, no solo los cambios de configuración.
• Segmenta la red de cámaras. Una modernización es un buen momento para corregir las redes planas y las credenciales predeterminadas.