Descubra cómo la inteligencia artificial y la visión artificial hacen que el seguimiento del movimiento sea más inteligente, rápido y fiable en deportes, robótica, aplicaciones móviles y otros flujos de trabajo del mundo real.
Cuando estás viendo una obra de teatro y tu actor favorito se mueve por el escenario, tus ojos pueden seguirlo sin apenas esfuerzo consciente. Para los seres humanos, este tipo de seguimiento del movimiento resulta natural. Tu cerebro conecta automáticamente lo que ves de un momento a otro, rellenando los huecos y manteniendo una sensación de continuidad a medida que cambia la escena.
En lo que respecta a las máquinas, la misma tarea es mucho más compleja. Una cámara captura un vídeo como una secuencia de fotogramas individuales, y un sistema debe identificar repetidamente el mismo objeto paso a paso para estimar dónde se ha movido y decidir si sigue siendo el que debe seguir.
Este reto es fundamental en el seguimiento del movimiento. El seguimiento del movimiento consiste en rastrear un objeto a través de un vídeo a lo largo del tiempo, y desempeña un papel importante en áreas como el análisis deportivo, la robótica y las aplicaciones móviles.
El seguimiento tradicional del movimiento y la cámara suele depender de la configuración manual, track y los fotogramas clave. Puede funcionar en escenas sencillas, pero se vuelve lento y poco fiable cuando el movimiento es rápido o está parcialmente bloqueado.
Los recientes avances en visión artificial facilitan mucho esta tarea. La visión artificial es una rama de la IA que ayuda a las máquinas a comprender imágenes y vídeos, lo que hace que el seguimiento del movimiento sea más preciso y menos dependiente del trabajo manual. Al detectar objetos en cada fotograma y mantener su identidad constante a lo largo del tiempo, estos sistemas track de forma más fiable en condiciones reales.
En este artículo, exploraremos cómo la visión artificial puede optimizar el seguimiento del movimiento. ¡Empecemos!
El seguimiento de movimiento tradicional suele requerir una configuración manual minuciosa, especialmente en la edición de vídeo y los flujos de trabajo de efectos visuales, donde el objetivo es añadir gráficos, efectos o superposiciones a los elementos en movimiento del metraje.
Muchos flujos de trabajo comienzan colocando track en partes específicas de una toma, y luego el software los sigue a lo largo de los fotogramas para trazar la trayectoria del movimiento. Esto es habitual en herramientas como After Effects, y en Premiere Pro se pueden encontrar flujos de trabajo similares a través de funciones como el seguimiento de máscaras, en las que los editores track máscara o región a lo largo del tiempo.
El movimiento de coincidencia es otro método habitual. Ayuda a alinear los elementos digitales con el movimiento real de la cámara, de modo que los efectos o gráficos permanezcan en su sitio dentro de una toma en directo. Estos enfoques pueden funcionar bien en escenas más sencillas, pero a menudo fallan cuando el metraje está abarrotado o cuando los objetos se mueven rápidamente.
El seguimiento también puede fallar cuando cambia la iluminación o cuando los sujetos quedan parcialmente bloqueados, lo que puede provocar desviaciones o saltos repentinos en el track. Esto ralentiza el flujo de trabajo y obliga a los editores a rehacer secciones de la toma. Cuando los objetos cambian de dirección rápidamente, los rastreadores de movimiento más antiguos pueden tener dificultades para seguir el ritmo, lo que hace que los resultados sean inconsistentes y menos fiables.
Los sistemas de visión artificial más avanzados utilizan modelos de IA para seguir objetos en movimiento a través de un vídeo. En lugar de depender de ajustes manuales constantes o de un frágil seguimiento fotograma a fotograma, el modelo aprende cómo es un objeto y cómo tiende a moverse. Esto ayuda a que el seguimiento del movimiento se mantenga estable incluso cuando las escenas se vuelven más complejas, la iluminación cambia o los objetos desaparecen brevemente.
Por ejemplo, modelos de visión artificial como Ultralytics YOLO11 y el próximo Ultralytics admiten el seguimiento de objetos mediante la detección de objetos en cada fotograma. En términos sencillos, identifican lo que hay en el fotograma y dónde se encuentra mediante la generación de cuadros delimitadores y puntuaciones de confianza para cada objeto detectado.
Curiosamente, YOLO no track por sí mismos track a lo largo del tiempo. En su lugar, el seguimiento se habilita a través del Python Ultralytics Python , que conecta YOLO con algoritmos de seguimiento de múltiples objetos, como ByteTrack y BoT-SORT. En esta configuración, YOLO objetos fotograma a fotograma, y el rastreador vincula esas detecciones entre fotogramas para mantener una identificación coherente para cada objeto a medida que se mueve.
A continuación, veamos más de cerca algunas aplicaciones reales en las que el seguimiento de movimiento impulsado por IA está teniendo un gran impacto.
En un partido de fútbol, los jugadores aceleran, se detienen y cambian de dirección constantemente, lo que dificulta medir con precisión el movimiento por el campo. El seguimiento manual suele fallar en estos momentos, especialmente cuando los jugadores se superponen, se agrupan o se mueven por zonas concurridas.
El seguimiento de movimiento basado en IA ayuda a seguir a cada jugador durante la acción y a mantener sus trayectorias de movimiento claras y coherentes. Por ejemplo, en un estudio reciente, los investigadores utilizaron YOLO11 detect y el balón desde múltiples ángulos de cámara. YOLO11 cada jugador en cada fotograma, mientras que un sistema de seguimiento vinculó esas detecciones a lo largo del tiempo para mantener la identidad de cada jugador coherente a medida que se movían.
La realidad aumentada (RA) es lo que permite a las aplicaciones colocar objetos digitales en el mundo real, como una etiqueta en un producto, un personaje en el suelo o una superposición en tu pie mientras te mueves. Para que estas experiencias resulten creíbles, el contenido virtual debe permanecer anclado en el lugar correcto mientras caminas, inclinas el teléfono o mueves el propio objeto.
La visión artificial desempeña un papel fundamental en este sentido, ya que ayuda a los dispositivos móviles a comprender lo que están viendo y cómo se mueve la cámara por la escena. En otras palabras, permite el seguimiento 3D al estimar la ubicación de un objeto en el espacio y su orientación, y luego actualizar esa posición a medida que el usuario se mueve.
La realidad virtual (RV) se basa en conceptos de seguimiento similares, pero el objetivo es diferente. En lugar de anclar el contenido digital al mundo real, la RV se centra en el seguimiento de la cabeza y las manos para que el mundo virtual responda de forma natural a los movimientos del usuario.
Los entornos industriales suelen contar con equipos y productos que pasan por múltiples etapas de un flujo de trabajo. Cada etapa depende de una sincronización y coordinación precisas. El seguimiento manual puede quedarse atrás porque los artículos se mueven a diferentes velocidades, se superponen entre sí o cambian de posición rápidamente.
El seguimiento de movimiento impulsado por IA ayuda al proporcionar a los sistemas de producción una visión más clara de cada objeto a medida que se mueve a lo largo de la línea. En un interesante estudio, una red de cámaras conectadas realizó un seguimiento de los productos a lo largo de todo el ciclo de producción y actualizó un gemelo digital, una copia virtual del proceso real, en tiempo real.
El sistema identificaba cada producto, realizaba un seguimiento de su movimiento y mantenía el modelo digital alineado con lo que ocurría en la planta. Este enfoque mejoró la supervisión y contribuyó a una operación más segura, ya que proporcionaba a los operadores una visión fiable en cada etapa. También demostró cómo el seguimiento del movimiento puede permitir una automatización más flexible y escalable cuando se dispone de datos de seguimiento coherentes.
Estas son algunas de las ventajas de utilizar el seguimiento de movimiento basado en inteligencia artificial:
El seguimiento basado en IA funciona bien en muchos casos, pero no es plug-and-play en todas las configuraciones. Estas son algunas limitaciones que hay que tener en cuenta:
Las funciones de seguimiento de movimiento basadas en IA se están convirtiendo rápidamente en la opción más práctica para los vídeos del mundo real, donde el movimiento es rápido, las escenas están abarrotadas y las correcciones manuales no son escalables. La visión artificial está mejorando rápidamente, lo que hace que los sistemas de seguimiento sean más fáciles de implementar y más fiables en condiciones difíciles. Como resultado, el seguimiento de movimiento es cada vez más útil en robótica, aplicaciones móviles, análisis y creación de contenidos.
Únase a nuestra comunidad y explore lo último en Vision AI en nuestro repositorio de GitHub. Visite nuestras páginas de soluciones para descubrir cómo aplicaciones como la IA en fabricación y la visión por ordenador en sanidad están impulsando el progreso, y consulte nuestras opciones de licencia para impulsar su próxima solución de IA.
