La visión artificial hace que el seguimiento de movimiento sea más fiable
Aprende cómo la IA y la visión artificial hacen que el seguimiento de 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 seguirle con muy poco esfuerzo consciente. Para los humanos, este tipo de seguimiento de movimiento resulta natural. Tu cerebro conecta automáticamente lo que ves de un momento a otro, rellenando lagunas y manteniendo una sensación de continuidad a medida que cambia la escena.
En el caso de 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 hacia dónde se ha movido y decidir si sigue siendo el objeto que hay que seguir.
Este reto es el núcleo del seguimiento de movimiento. El seguimiento de 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 de movimiento y de cámara suele depender de configuraciones manuales, puntos de seguimiento y fotogramas clave. Puede funcionar en escenas sencillas, pero se vuelve lento y poco fiable rápidamente cuando el movimiento es rápido o está parcialmente bloqueado.
Fig 1. Un vistazo a un sistema de seguimiento de movimiento (Fuente)
Los avances recientes en visión por ordenador hacen que esto sea mucho más fácil. La visión por ordenador es una rama de la IA que ayuda a las máquinas a comprender imágenes y vídeos, haciendo que el seguimiento de movimiento sea más preciso y menos dependiente del trabajo manual. Al detectar objetos en cada fotograma y mantener constante su identidad a lo largo del tiempo, estos sistemas rastrean el movimiento de forma más fiable en condiciones reales.
En este artículo, exploraremos cómo la visión por ordenador puede hacer que el seguimiento de movimiento sea más eficiente. ¡Empecemos!
Link to this sectionMétodos tradicionales de captura y seguimiento de movimiento y sus limitaciones#
El seguimiento tradicional de movimiento a menudo requiere una cuidadosa configuración manual, especialmente en flujos de trabajo de edición de vídeo y VFX, donde el objetivo es adjuntar gráficos, efectos o superposiciones a elementos en movimiento en el metraje.
Muchos flujos de trabajo comienzan colocando puntos de seguimiento en partes específicas de una toma, y luego el software los sigue a través de los fotogramas para mapear la trayectoria del movimiento. Esto es habitual en herramientas como After Effects, y flujos de trabajo similares aparecen en Premiere Pro a través de funciones como el seguimiento de máscaras, donde los editores rastrean una máscara o región a lo largo del tiempo.
El "match moving" es otro método común. Ayuda a alinear elementos digitales con el movimiento real de la cámara para que los efectos o gráficos permanezcan en su sitio dentro de una toma en vivo. Estos enfoques pueden funcionar bien para escenas más sencillas, pero a menudo tienen dificultades cuando el metraje se llena de gente 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 seguimiento. 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 antiguos pueden tener dificultades para seguir el ritmo, lo que hace que los resultados sean inconsistentes y menos fiables.
Link to this sectionCómo transforma la visión por ordenador el seguimiento de movimiento#
Los sistemas de visión por ordenador de última generación utilizan modelos de IA para seguir objetos en movimiento a través de un vídeo. En lugar de depender de constantes ajustes manuales 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 de movimiento permanezca estable incluso cuando las escenas están muy concurridas, la iluminación cambia o los objetos desaparecen brevemente.
Por ejemplo, modelos de visión por ordenador como Ultralytics YOLO11 y el próximo Ultralytics YOLO26 soportan el seguimiento de objetos detectándolos en cada fotograma. En términos sencillos, identifican qué hay en el fotograma y dónde está mediante la obtención de BBox y puntuaciones de confianza para cada objeto detectado.
Fig 2. Seguimiento de vehículos utilizando Ultralytics YOLO11 dentro de una zona (Fuente)
Curiosamente, los modelos YOLO no rastrean realmente los objetos a lo largo del tiempo por sí solos. En su lugar, el seguimiento se habilita a través del paquete de Python de Ultralytics, que conecta las detecciones de YOLO con algoritmos de seguimiento de múltiples objetos como ByteTrack y BoT-SORT. En esta configuración, YOLO detecta objetos fotograma a fotograma, y el rastreador enlaza esas detecciones entre fotogramas para mantener una ID consistente para cada objeto a medida que se mueve.
Link to this sectionAplicaciones reales del seguimiento de movimiento basado en IA#
A continuación, echemos un vistazo más de cerca a algunas aplicaciones del mundo real donde el seguimiento de movimiento basado en IA está teniendo un impacto.
Link to this sectionAnálisis deportivo y seguimiento preciso de jugadores#
En un partido de fútbol, los jugadores aceleran, frenan y cambian de dirección constantemente, lo que hace difícil medir el movimiento con precisión por todo el campo. El seguimiento manual a menudo falla en estos momentos, especialmente cuando los jugadores se solapan, se agrupan o se mueven por zonas concurridas.
El seguimiento de movimiento basado en IA ayuda al seguir a cada jugador a través de la acción y mantener sus trayectorias de movimiento claras y coherentes. Por ejemplo, en un estudio reciente, los investigadores utilizaron YOLO11 para detectar jugadores y el balón desde múltiples ángulos de cámara. YOLO11 identificó a cada jugador en cada fotograma, mientras que un sistema de seguimiento vinculó esas detecciones a lo largo del tiempo para mantener constante la identidad de cada jugador a medida que se movía.
Fig 3. Detección y seguimiento de múltiples jugadores de fútbol (Fuente)
Link to this sectionSeguimiento de movimiento en realidad aumentada y realidad virtual#
La realidad aumentada (AR) es lo que hace posible que las aplicaciones coloquen 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 tiene que permanecer anclado en el lugar correcto mientras caminas, inclinas el teléfono o mueves el propio objeto.
La visión por ordenador desempeña un papel clave aquí porque ayuda a un dispositivo móvil a entender qué es lo que está viendo y cómo se mueve la cámara a través de la escena. En otras palabras, permite el seguimiento 3D estimando dónde está un objeto en el espacio y cómo está orientado, para luego actualizar esa posición a medida que el usuario se mueve.
Fig 4. Un ejemplo de seguimiento 3D dentro de una aplicación de AR (Fuente)
La realidad virtual (VR) se basa en ideas de seguimiento similares, pero el objetivo es diferente. En lugar de anclar contenido digital al mundo real, la VR se centra en el seguimiento de tu cabeza y tus manos para que el mundo virtual responda de forma natural a medida que te mueves.
Link to this sectionSeguimiento de equipos móviles y automatización de procesos#
Los entornos industriales suelen tener equipos y productos que se mueven a través de 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 distintas velocidades, se solapan entre sí o cambian de posición rápidamente.
El seguimiento de movimiento basado en IA ayuda al dar a los sistemas de producción una visión más clara de cada objeto a medida que se desplaza por la línea. En un estudio interesante, una red de cámaras conectadas rastreó productos a lo largo de un ciclo de producción completo y actualizó un gemelo digital, una copia virtual del proceso real, en tiempo real.
El sistema identificó cada producto, rastreó su movimiento y mantuvo el modelo digital alineado con lo que ocurría en la planta. Este enfoque mejoró la supervisión y permitió una operación más segura al ofrecer a los operarios una visión fiable en cada etapa. También demostró cómo el seguimiento de movimiento puede permitir una automatización más flexible y escalable cuando se dispone de datos de seguimiento coherentes.
Link to this sectionVentajas y desventajas del seguimiento de movimiento basado en IA#
Aquí tienes algunas ventajas de utilizar el seguimiento de movimiento basado en IA:
- Mejora de la recuperación ante oclusiones: los sistemas de IA de visión suelen poder mantener o recuperar seguimientos cuando los objetos se solapan o desaparecen brevemente.
- Escalabilidad: una vez desplegados, los rastreadores de IA pueden procesar clips de vídeo largos y múltiples fuentes de cámara sin necesidad de repetir la configuración por toma.
- Datos de movimiento más ricos: las salidas de seguimiento pueden utilizarse para medir trayectorias, conteos, tiempo de permanencia y estimaciones básicas de velocidad para el análisis.
El seguimiento basado en IA funciona bien en muchos casos, pero no es "conectar y listo" en todas las configuraciones. Aquí tienes algunas limitaciones a tener en cuenta:
- Mantenimiento continuo: el rendimiento puede cambiar con el tiempo a medida que varían los ángulos de la cámara, los entornos o las cargas de trabajo, por lo que a menudo son necesarias actualizaciones periódicas.
- Complejidad de integración: conectar rastreadores a editores de vídeo, analítica o sistemas de automatización existentes puede requerir adaptadores, calibración y pruebas adicionales.
- Casos extremos en condiciones extremas: la poca luz, el desenfoque por movimiento, las oclusiones pesadas y los objetos muy pequeños pueden seguir causando errores de seguimiento.
Link to this sectionConclusiones clave#
Las funciones de seguimiento de movimiento impulsadas por IA se están convirtiendo rápidamente en la opción más práctica para el vídeo del mundo real, donde el movimiento es rápido, las escenas están concurridas y los arreglos manuales no son escalables. La visión por ordenador está mejorando rápidamente, y esto está haciendo 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 contenido.
Únete a nuestra comunidad y explora lo último en IA visual en nuestro repositorio de GitHub. Visita nuestras páginas de soluciones para aprender cómo aplicaciones como la IA en la fabricación y la visión artificial en el cuidado de la salud están impulsando el progreso, y consulta nuestras opciones de licencia para potenciar tu próxima solución de IA.
