6 de enero de 2025
Acompáñenos en la conferencia magistral de David Scott en YOLO Vision 2024 sobre el análisis del comportamiento impulsado por la IA y sus aplicaciones en el mundo real en sectores como la ganadería.
%25202.png)
Durante muchos años, las innovaciones en visión por ordenador se han centrado en tareas como la detección de objetos, es decir, la identificación de objetos como un perro o un coche en imágenes y vídeos. Estos enfoques han permitido aplicaciones en ámbitos como los vehículos autónomos, la fabricación y la atención sanitaria.
Sin embargo, estas tareas suelen centrarse únicamente en identificar qué es un objeto. ¿Y si los sistemas de IA de visión pudieran ir un paso más allá? Por ejemplo, en lugar de limitarse a detectar un perro, podrían entender que el perro está persiguiendo una pelota o que un coche está frenando bruscamente porque está cruzando un peatón. Este paso del reconocimiento básico a la comprensión contextual representa un cambio importante hacia una IA de comportamiento más inteligente y consciente del contexto.
En YOLO Vision 2024 (YV24), el evento híbrido anual de Ultralytics que celebra los avances en Vision AI, el concepto de análisis del comportamiento impulsado por la IA ocupó un lugar central durante una interesante charla de David Scott, CEO de The Main Branch.
En su charla, David exploró la transición de las tareas básicas de visión por ordenador al seguimiento del comportamiento. Con más de 25 años de experiencia en la creación de aplicaciones tecnológicas de vanguardia, mostró el impacto de este salto. Destacó cómo la descodificación de patrones y comportamientos está transformando sectores como la agricultura y el bienestar animal.
En este artículo, repasaremos los aspectos más destacados de la charla de David y exploraremos cómo el seguimiento del comportamiento hace que la IA sea más práctica.
David Scott comenzó su discurso con un audaz golpe de realidad: "Un colega mío suele decir que la ciencia no vende, lo que nos ofende a muchos de los presentes, porque nos gusta la ciencia. La inteligencia artificial es genial, ¿por qué no la compraría la gente? Pero la realidad es que la gente no quiere comprarla sólo porque nosotros pensemos que es genial; necesita una razón para comprarla".
Continuó explicando que en su empresa, The Main Branch, siempre se centran en resolver problemas reales con la IA, no sólo en mostrar sus capacidades. Muchos clientes vienen con ganas de hablar de cómo pueden utilizar la IA en general, pero él lo ve como un enfoque retrógrado: es como tener una solución sin un problema. En su lugar, trabajan con clientes que les plantean problemas específicos para poder crear soluciones de IA que realmente marquen la diferencia.
David también compartió que su trabajo suele ir más allá del mero reconocimiento de objetos en una escena. Detectar lo que hay es sólo el primer paso. El valor real viene de averiguar qué hacer con esa información y hacerla útil dentro de la cadena de valor más amplia".
Un paso fundamental para que la IA sea realmente útil es ir más allá de las tareas básicas de visión por ordenador, como la detección de objetos, y utilizar esos conocimientos para el seguimiento del comportamiento. David destacó que la IA del comportamiento se centra en la comprensión de acciones y patrones, no sólo en la identificación de objetos. Esto hace que la IA sea capaz de reconocer eventos significativos y proporcionar información práctica.
Puso el ejemplo de un animal que se revuelca por el suelo, lo que podría indicar una enfermedad. Aunque las personas no pueden vigilar a un animal las 24 horas del día, sí pueden hacerlo los sistemas de vigilancia basados en IA con capacidad de seguimiento del comportamiento. Estas soluciones pueden vigilar objetos continuamente, detectar comportamientos específicos, enviar una alerta y permitir actuar a tiempo. Esto convierte los datos en bruto en algo práctico y valioso.
David también demostró que este enfoque hace que la IA no sólo sea interesante, sino realmente impactante. Al abordar problemas reales, como la supervisión de comportamientos y la actuación en consecuencia, el seguimiento del comportamiento puede convertirse en una parte fundamental de las soluciones de IA eficaces en diversos sectores.
A continuación, David Scott ilustró cómo Ultralytics YOLOv8, un modelo de visión por ordenador, supuso un gran avance para los proyectos de seguimiento del comportamiento de su equipo. Les proporcionó una base sólida para detectar, clasificar y rastrear objetos. Además, su equipo fue un paso más allá y entrenó a YOLOv8 para que se centrara en el seguimiento de comportamientos a lo largo del tiempo, lo que lo hizo más práctico y útil para situaciones del mundo real.
Curiosamente, con el lanzamiento de Ultralytics YOLO11, soluciones como las creadas por The Main Branch pueden ser aún más fiables y precisas. Este último modelo ofrece características como una mayor precisión y un procesamiento más rápido que mejoran su capacidad para rastrear comportamientos. Hablaremos de esto con más detalle después de comprender mejor las aplicaciones para las que se puede utilizar la IA del comportamiento.
A continuación, vamos a explorar las soluciones de las que habló David y cómo la tecnología de seguimiento del comportamiento se está utilizando en aplicaciones del mundo real para resolver los retos cotidianos y tener un impacto significativo.
En primer lugar, David habló de un apasionante reto al que se enfrentaron con un proyecto llamado HerdSense, que consistía en vigilar la salud de miles de vacas en un cebadero masivo. El objetivo era seguir el comportamiento de cada vaca para detectar posibles problemas de salud. Esto significaba vigilar a decenas de miles de animales al mismo tiempo, y no era una tarea sencilla.
Para empezar a resolver el problema de la identificación de cada vaca y el seguimiento de sus comportamientos, el equipo de David organizó un taller de dos días en el que se esbozaron todos los posibles comportamientos que debían controlar. En total, identificaron más de 200 comportamientos.
Cada uno de los 200 comportamientos dependía de poder reconocer con precisión a cada vaca, ya que todos los datos tenían que estar vinculados a animales concretos. Uno de los principales problemas era el seguimiento de las vacas cuando se agrupaban, lo que dificultaba la visión de cada animal.
El equipo de David desarrolló un sistema de visión por ordenador para garantizar la identificación sistemática de cada vaca, incluso en situaciones complicadas. Pudieron confirmar que siempre se asignaría la misma identificación a la misma vaca, aunque desapareciera de la vista, se mezclara con otras o reapareciera más tarde.
A continuación, David presentó otro fascinante proyecto en el que aplicaron técnicas similares de seguimiento del comportamiento para controlar caballos. En este proyecto, el equipo de David no necesitaba hacer un seguimiento tan exhaustivo de los caballos como en el caso de las vacas. En su lugar, se centraron en comportamientos específicos y siguieron detalles como los patrones de alimentación y los niveles generales de actividad para detectar a tiempo cualquier problema de salud. Detectar pequeños cambios en el comportamiento podría agilizar las intervenciones para ofrecer mejores cuidados y prevenir problemas antes de que se agraven.
David también habló de la complejidad del seguimiento del comportamiento con un ejemplo interesante. Mientras investigaba formas de mejorar el análisis del comportamiento, su equipo se topó con una empresa que afirmaba detectar robos en tiendas analizando posturas específicas, como la de alguien con la mano en el bolsillo. Al principio, parecía una idea inteligente: ciertos movimientos podían sugerir un comportamiento sospechoso, ¿no?
Sin embargo, a medida que David exploraba más a fondo, se dio cuenta de las limitaciones de este método. Una sola pose, como una mano en el bolsillo, no significa necesariamente que alguien esté robando. Podría indicar simplemente que está relajado, pensando o incluso que tiene frío. El problema de centrarse en poses aisladas es que se ignora el contexto general. El comportamiento no es una sola acción: es un patrón de acciones a lo largo del tiempo, determinado por el contexto y la intención.
David destacó que el verdadero seguimiento del comportamiento es mucho más complejo y requiere un enfoque holístico. Se trata de analizar secuencias de acciones y comprender lo que significan en un contexto más amplio. Aunque el sector de la IA está avanzando, señaló que aún queda trabajo por hacer para que el seguimiento del comportamiento ofrezca información significativa y precisa.
A continuación, David llevó a los asistentes entre bastidores para mostrarles cómo su equipo construyó una solución de visión por ordenador para vigilar la salud de las vacas con la ayuda de YOLOv8 y sus capacidades de estimación de poses.
Empezaron creando un conjunto de datos personalizado para la estimación de la pose de una vaca, aumentando el número estándar de puntos clave de 17 a 145 para que el modelo analizara mejor el movimiento. A continuación, entrenaron el modelo con un enorme conjunto de datos de más de 2 millones de imágenes y 110 millones de ejemplos de comportamiento.
Gracias a una infraestructura de hardware avanzada, el equipo de David pudo entrenar el modelo en sólo dos días, en lugar de las semanas que habría tardado con un hardware convencional. A continuación, el modelo entrenado se integró con un rastreador de comportamiento personalizado que analizaba varios fotogramas de vídeo simultáneamente para detectar patrones en las acciones de las vacas.
El resultado fue una solución basada en la inteligencia artificial capaz de detectar y seguir ocho comportamientos diferentes de las vacas, como comer, beber y tumbarse, para detectar pequeños cambios de comportamiento que podrían indicar problemas de salud. Esto permite a los ganaderos actuar con rapidez y mejora la gestión del rebaño.
David concluyó su charla compartiendo una importante lección con el público: "Si no le das a la IA margen para fallar, te estás abocando al fracaso porque, al fin y al cabo, es estadística". Señaló que la IA, a pesar de sus puntos fuertes, no es perfecta. Es una herramienta que aprende de patrones, y siempre habrá ocasiones en las que no haga las cosas bien. En lugar de temer esos errores, la clave está en construir sistemas que puedan manejarlos y seguir mejorando con el tiempo.
Lo mismo ocurre con los modelos de visión por ordenador. Por ejemplo, Ultralytics YOLO11, la última versión de los modelos Ultralytics YOLO, se ha construido teniendo en cuenta la necesidad de llevar las cosas al siguiente nivel en comparación con YOLOv8.
En concreto, YOLO11 ofrece un mejor rendimiento, especialmente en aplicaciones en tiempo real en las que la precisión es clave, como la agricultura y la sanidad. Gracias a sus avanzadas funciones, YOLO11 está redefiniendo la forma en que las industrias utilizan la IA, ya que proporciona información innovadora en tiempo real y les ayuda a afrontar los retos con mayor eficacia.
El discurso de David en YV24 fue un recordatorio de que la IA es algo más que una innovación interesante: es una poderosa herramienta para resolver problemas reales y mejorar nuestra forma de vivir y trabajar. Al centrarse en el comportamiento, la IA ya está teniendo un impacto en áreas como el seguimiento de la salud animal y el reconocimiento de patrones significativos en las acciones cotidianas.
El potencial de la inteligencia artificial basada en el comportamiento es apasionante, y sólo estamos al principio. Al transformar los datos brutos en información práctica, la IA conductual pasa de la supervisión pasiva a la resolución activa de problemas. A medida que se desarrolla, la IA conductual está llamada a impulsar decisiones más inteligentes, agilizar procesos y aportar mejoras significativas a nuestras vidas.
Manténgase en contacto con nuestra comunidad para aprender más sobre la IA y sus aplicaciones en el mundo real. Visite nuestro repositorio de GitHub para descubrir innovaciones en áreas como la IA en la agricultura y la visión por ordenador en la fabricación.
.webp)
