28 de noviembre de 2025
Descubra cómo los modelosYOLO Ultralytics pueden desempeñar un papel en las soluciones de reidentificación de vehículos proporcionando detecciones precisas y exactas.
Cuando ves una carrera de Fórmula Uno, es fácil reconocer el coche de tu equipo favorito. El rojo brillante de Ferrari o el plateado de Mercedes destacan vuelta tras vuelta.
Pedirle a una máquina que haga lo mismo, no en un circuito limpio, sino en las abarrotadas calles de una ciudad llenas de tráfico, es mucho más difícil. Por eso, la reidentificación de vehículos ha acaparado la atención de la IA en los últimos tiempos.
La reidentificación de vehículos proporciona a las máquinas la capacidad de reconocer el mismo vehículo a través de cámaras con múltiples vistas o sin solapamiento. También pretende identificar vehículos tras una oclusión temporal (cuando un vehículo está parcialmente oculto) o cambios en la iluminación y el punto de vista.
La visión por ordenador es una tecnología clave para la identificación de vehículos. La visión por ordenador es un subcampo de la inteligencia artificial que se centra en enseñar a las máquinas a comprender e interpretar información visual, como imágenes y vídeos. Con esta tecnología, los sistemas de IA pueden analizar las características de los vehículos y track de forma fiable a través de grandes redes de cámaras para aplicaciones como la vigilancia urbana y el control del tráfico.
En particular, los modelos Vision AI como Ultralytics YOLO11 y el próximo Ultralytics YOLO26 admiten tareas como la detección y el seguimiento de objetos. Pueden localizar rápidamente vehículos en cada fotograma y seguir su movimiento a través de una escena. Cuando estos modelos se combinan con redes de reidentificación de vehículos, el sistema combinado puede reconocer el mismo vehículo en diferentes tomas de cámara, incluso cuando cambian las vistas o las condiciones de iluminación.
En este artículo veremos cómo funciona la reidentificación de vehículos, la tecnología que la hace posible y dónde se utiliza en los sistemas de transporte inteligentes. Empecemos.
La reidentificación de vehículos es una importante aplicación de la visión por ordenador. Se centra en reconocer el mismo vehículo cuando aparece en diferentes cámaras que no se solapan, manteniendo su identidad coherente mientras se desplaza por una ciudad. Esto supone un reto, ya que cada cámara puede captar el vehículo desde un ángulo diferente, con distinta iluminación o con oclusión parcial.
Consideremos un escenario en el que un turismo azul pasa por una intersección y más tarde aparece en otra calle, observado por otra cámara. El ángulo, la iluminación y el fondo han cambiado, y otros coches pueden bloquear brevemente la visión. A pesar de ello, el sistema de identificación de vehículos debe determinar que se trata del mismo vehículo.
Los recientes avances en aprendizaje profundo, especialmente con redes neuronales convolucionales (CNN) y modelos basados en transformadores, han hecho que este proceso sea mucho más preciso. Estos modelos pueden extraer patrones visuales significativos y distinguir entre vehículos parecidos sin dejar de identificar el correcto.
En los sistemas de transporte inteligentes, esta capacidad permite la supervisión continua, la reconstrucción de rutas y el análisis del tráfico en toda la ciudad, lo que da a los sistemas de ciudades inteligentes una imagen más clara de cómo se mueven los vehículos. Ayudan a mejorar la seguridad y la eficiencia.
Normalmente, las secuencias de vídeo de intersecciones, aparcamientos y carreteras se analizan mediante técnicas de reidentificación de vehículos para determinar si aparece el mismo vehículo en diferentes cámaras. Este concepto es similar al de la reidentificación de personas, en el que los sistemas track los individuos a través de múltiples vistas, pero aquí la atención se centra en el análisis de las características específicas del vehículo en lugar de la apariencia humana.
El proceso implica varios pasos clave, cada uno de ellos diseñado para ayudar al sistema a detect vehículos, extraer sus características visuales y emparejarlas de forma fiable desde distintos puntos de vista.
A un alto nivel, el sistema detecta primero los vehículos en cada fotograma y luego extrae características como el color, la forma y la textura para crear una representación digital única, o incrustación, para cada uno. Estas incrustaciones se comparan en el tiempo y entre cámaras, a menudo con el apoyo del seguimiento de objetos y comprobaciones espaciotemporales, para decidir si dos avistamientos pertenecen al mismo vehículo.
A continuación se describe con más detalle este proceso:
Los modelosYOLO Ultralytics desempeñan un importante papel de apoyo en los procesos de reidentificación de vehículos. Aunque no realizan la reidentificación por sí solos, proporcionan otras funciones esenciales, como la detección rápida y el seguimiento estable, de las que dependen las redes de reidentificación para realizar una correspondencia precisa entre cámaras.
A continuación, veamos más de cerca cómo los modelosYOLO Ultralytics , como YOLO11 , pueden mejorar los sistemas de reidentificación de vehículos.
La base de cualquier sistema de reidentificación de vehículos es la detección precisa de objetos. Los modelosYOLO Ultralytics , como YOLO11 , son una gran opción para ello, ya que pueden detect rápidamente vehículos en cada fotograma, incluso en escenas concurridas con oclusiones parciales, tráfico denso o condiciones de iluminación cambiantes.
También pueden entrenarse de forma personalizada, lo que significa que usted puede ajustar el modelo a su propio conjunto de datos para que aprenda a reconocer tipos específicos de vehículos, como taxis, furgonetas de reparto o vehículos de flota. Esto resulta especialmente útil cuando una solución requiere una detección más especializada. Al proporcionar recuadros limpios y precisos, los modelosYOLO Ultralytics proporcionan a las redes Re-ID entradas de alta calidad con las que trabajar, lo que conduce a una correspondencia más fiable entre cámaras.
Una vez detectados los vehículos, los modelos como YOLO11 también admiten el seguimiento estable de objetos dentro de una vista de cámara única. El seguimiento de objetos es el proceso de seguir un vehículo detectado a lo largo de fotogramas consecutivos y asignarle un ID coherente a medida que se desplaza.
Gracias a la compatibilidad integrada con algoritmos de seguimiento como ByteTrack y BoT-SORT en el paquetePython Ultralytics , YOLO11 puede mantener identidades coherentes a medida que los vehículos se desplazan por una escena. Este seguimiento estable reduce los cambios de identidad antes de que el sistema Re-ID tome el control, lo que en última instancia mejora la precisión de la correspondencia entre cámaras.
Además del seguimiento estándar basado en el movimiento, el paquetePython de Ultralytics incluye capacidades opcionales de Re-ID basadas en la apariencia dentro de su rastreador BoT-SORT. Esto significa que el rastreador puede utilizar características de apariencia visual, no solo patrones de movimiento o solapamiento del cuadro delimitador, para determinar si dos detecciones pertenecen al mismo vehículo.
Cuando está activado, BoT-SORT extrae ligeras incrustaciones de apariencia del detector o de un modelo de clasificación YOLO11 y las utiliza para verificar la identidad entre fotogramas. Esta pista de apariencia adicional ayuda al rastreador a mantener identificaciones más estables en situaciones difíciles, como breves oclusiones, vehículos que pasan muy cerca o pequeños cambios causados por el movimiento de la cámara.
Aunque esta Re-ID incorporada no pretende sustituir a la reidentificación completa de vehículos entre cámaras, mejora la coherencia de la identidad dentro de una vista de cámara única y produce tracklets más limpios en los que pueden confiar los módulos de Re-ID posteriores. Para utilizar estas funciones de seguimiento basadas en la apariencia, basta con activar Re-ID en un archivo de configuración del rastreador BoT-SORT estableciendo "with_reid" en "True" y seleccionando qué modelo proporcionará las funciones de apariencia.
Para más detalles, puede consultar lapágina de documentación de Ultralytics sobre seguimiento de objetos, donde se explican las opciones de Re-ID disponibles y cómo configurarlas.
Además de mejorar la estabilidad de la identidad durante el seguimiento, los modelos YOLO también desempeñan un papel importante en la preparación de entradas visuales limpias para la propia red Re-ID.
Una vez detectado un vehículo, se recorta su cuadro delimitador y se envía a una red de reidentificación, que extrae las características visuales necesarias para el cotejo. Dado que los modelos de reidentificación dependen en gran medida de estas imágenes recortadas, las entradas deficientes, como los recortes borrosos, desalineados o incompletos, pueden dar lugar a incrustaciones más débiles y a un emparejamiento entre cámaras menos fiable.
Los modelosYOLO Ultralytics ayudan a reducir estos problemas produciendo sistemáticamente recuadros delimitadores limpios y bien alineados que capturan completamente el vehículo de interés. Con cultivos más claros y precisos, la red Re-ID puede centrarse en detalles significativos como el color, la forma, la textura y otras características distintivas. Las entradas de alta calidad conducen a un rendimiento de Re-ID más fiable y preciso en todas las vistas de la cámara.
Aunque los modelosYOLO Ultralytics no realizan la reidentificación por sí solos, proporcionan la información crítica que necesita una red de reidentificación para comparar vehículos en diferentes vistas de cámara. Modelos como YOLO11 pueden encargarse de localizar y rastrear vehículos dentro de cada cámara, mientras que el modelo Re-ID determina si dos cultivos de vehículos procedentes de ubicaciones distintas pertenecen a la misma identidad.
Cuando estos componentes trabajan juntos, YOLO para la detección y el seguimiento, y un modelo de incrustación específico para la extracción de características, forman una completa canalización de correspondencia de vehículos multicámara. Esto permite asociar el mismo vehículo a medida que se desplaza por una red de cámaras más amplia.
Por ejemplo, en un estudio reciente, los investigadores utilizaron un modelo ligero YOLO11 como detector de vehículos en un sistema de seguimiento multicámara en línea. El estudio constató que el uso de YOLO11 ayudaba a reducir el tiempo de detección sin sacrificar la precisión, lo que mejoraba el rendimiento general del seguimiento posterior y la coincidencia entre cámaras.
Ahora que entendemos mejor cómo los modelosYOLO Ultralytics pueden ayudar a la reidentificación de vehículos, veamos más de cerca los modelos de aprendizaje profundo que se encargan de los pasos de extracción de características y correspondencia. Estos modelos son responsables de aprender el aspecto de los vehículos, crear incrustaciones sólidas y distinguir entre vehículos visualmente similares en diferentes vistas de cámara.
Estos son algunos ejemplos de los componentes básicos del aprendizaje profundo utilizados en los sistemas de reidentificación de objetos:
Además de estos componentes arquitectónicos, el aprendizaje métrico desempeña un papel fundamental en el entrenamiento de los modelos Re-ID de vehículos. Las funciones de pérdida, como la pérdida por triplete, la pérdida por contraste y la pérdida por entropía cruzada, ayudan al sistema a aprender incrustaciones sólidas y discriminatorias juntando imágenes del mismo vehículo y separando otras diferentes.
En la investigación de la visión por ordenador, la calidad de un conjunto de datos influye mucho en el rendimiento de un modelo una vez implantado. Un conjunto de datos proporciona las imágenes o vídeos etiquetados de los que aprende un modelo.
Para la reidentificación de vehículos, estos conjuntos de datos de última generación deben captar diversas condiciones, como la iluminación, los cambios de punto de vista y las variaciones meteorológicas. Esta diversidad ayuda a los modelos a manejar la complejidad de los entornos de transporte del mundo real.
He aquí un vistazo a los conjuntos de datos más populares que permiten entrenar, optimizar y evaluar modelos de reidentificación de vehículos:
El rendimiento de los modelos en estos conjuntos de datos suele evaluarse mediante métricas como la precisión mediamAP) y la exactitud Rank-1 o Rank-5. mAP mide la exactitud con la que el modelo recupera todas las coincidencias relevantes para un vehículo determinado, mientras que las puntuaciones Rank-1 y Rank-5 indican si la coincidencia correcta aparece al principio de la lista de resultados o entre las primeras predicciones.
En conjunto, estos puntos de referencia ofrecen a los investigadores una forma coherente de comparar distintos enfoques y desempeñan un papel importante a la hora de orientar el desarrollo de sistemas de reidentificación de vehículos más precisos y fiables para su uso en el mundo real.
Ahora que hemos cubierto los fundamentos, vamos a ver algunos casos de uso real en los que la reidentificación de vehículos es compatible con flujos de trabajo prácticos de transporte, movilidad y vigilancia.
Las agitadas carreteras de las ciudades están constantemente llenas de movimiento, y las cámaras de tráfico a menudo tienen dificultades para track la pista de un mismo vehículo cuando se desplaza entre distintas zonas. Los cambios de iluminación, las escenas abarrotadas y los vehículos que parecen casi idénticos pueden hacer que se pierdan las identidades entre las cámaras.
La reidentificación de vehículos soluciona este problema detectando los vehículos con claridad, extrayendo características distintivas y manteniendo la coherencia de las identificaciones incluso en secuencias de baja resolución o con mucho tráfico. El resultado es un seguimiento más fluido y continuo en toda la red, que ofrece a los equipos de tráfico una imagen más clara de cómo se mueven los vehículos por la ciudad y permite responder a los atascos e incidentes con mayor rapidez y conocimiento de causa.
Los aparcamientos inteligentes se basan en la identificación sistemática de los vehículos para gestionar la entrada, la salida, el control de acceso y la asignación de plazas. Sin embargo, las cámaras de estos entornos suelen captar vehículos desde ángulos inusuales y con una iluminación complicada, como en garajes subterráneos, zonas de sombra o aparcamientos al aire libre al anochecer.
Estas condiciones dificultan la confirmación de si se está viendo el mismo vehículo en distintas zonas. Cuando las identidades son incoherentes, los registros de aparcamiento pueden romperse, el control de acceso se vuelve menos fiable y los conductores pueden sufrir retrasos. Por eso, muchos sistemas de aparcamiento inteligente incorporan modelos de reidentificación de vehículos para mantener una identidad estable de cada vehículo a medida que se desplaza por la instalación.
Además de la vigilancia del tráfico, la reidentificación de vehículos también desempeña un papel importante en las investigaciones policiales y forenses. En muchos casos, los agentes tienen que seguir a un vehículo a través de varias cámaras, pero las matrículas pueden ser ilegibles, faltar o estar deliberadamente ocultas.
Las escenas abarrotadas, la baja visibilidad y la oclusión parcial pueden hacer que vehículos diferentes parezcan engañosamente similares, lo que hace que la identificación manual sea lenta y poco fiable. La reidentificación de vehículos puede utilizarse para rastrear el movimiento de un vehículo a través de redes de cámaras no solapadas analizando sus características visuales en lugar de depender únicamente de las matrículas.
Esto significa que los investigadores pueden seguir más fácilmente los movimientos de un vehículo, comprender cuándo apareció en diferentes lugares y confirmar su trayectoria antes y después de un incidente. La reidentificación de vehículos basada en IA también facilita tareas como el seguimiento de vehículos sospechosos, la revisión de grabaciones de incidentes o la determinación de la dirección que tomó un vehículo antes o después de un suceso.
Las operaciones logísticas y de flotas a menudo dependen del GPS, las etiquetas RFID y los registros manuales para track los movimientos de los vehículos, pero estas herramientas dejan lagunas en las zonas cubiertas por cámaras de seguridad o de patio, como los muelles de carga, los patios de almacén y las redes de carreteras internas.
Los vehículos se mueven con frecuencia entre cámaras que no se solapan, desaparecen detrás de estructuras o tienen un aspecto casi idéntico a otros de la flota, lo que dificulta la confirmación de si se ha visto el mismo vehículo en distintos lugares. Los sistemas de reidentificación de vehículos pueden ayudar a colmar estas lagunas analizando los detalles visuales y la información temporal para mantener una identidad coherente de cada vehículo a medida que se desplaza por las instalaciones.
Esto proporciona a los gestores de flotas una visión más completa de la actividad dentro de sus centros, lo que facilita tareas como la verificación de las rutas de entrega, la identificación de movimientos inusuales y la garantía de que los vehículos siguen las rutas previstas.
Estas son algunas de las principales ventajas de la reidentificación de vehículos mediante IA:
Aunque la reidentificación de vehículos ofrece muchas ventajas, también hay que tener en cuenta algunas limitaciones. He aquí algunos factores que afectan a su fiabilidad en entornos reales:
La reidentificación de vehículos sigue avanzando a medida que evoluciona la tecnología. Publicaciones recientes de IEEE, CVPR y arXiv, junto con presentaciones en conferencias internacionales, ponen de manifiesto un claro cambio hacia modelos más ricos que combinan múltiples fuentes de datos y un razonamiento de características más avanzado. El trabajo futuro en este campo se centrará probablemente en la creación de sistemas más sólidos, eficientes y capaces de gestionar la variabilidad del mundo real a gran escala.
Por ejemplo, una dirección prometedora es el uso de modelos basados en transformadores y redes de agregación de gráficos. Los transformadores pueden analizar una imagen completa y entender cómo encajan todos los detalles visuales, lo que ayuda al sistema a reconocer el mismo vehículo aunque cambie el ángulo o la iluminación.
Los modelos basados en grafos llevan esto un paso más allá al tratar las distintas partes del vehículo o las vistas de cámara como puntos conectados en una red. Esto permite al sistema comprender la correlación entre esos puntos clave y tomar mejores decisiones sobre las identidades de los vehículos y las características discriminatorias.
Otro avance clave es la fusión multimodal de datos y características. En lugar de basarse sólo en imágenes, los sistemas más recientes combinan la información visual con otras señales multimedia, como datos GPS o patrones de movimiento de los sensores. Este contexto adicional facilita que el sistema siga siendo preciso cuando los vehículos están parcialmente bloqueados, cuando la iluminación es escasa o cuando los ángulos de la cámara cambian repentinamente.
La reidentificación de vehículos se está convirtiendo en una metodología clave en los sistemas de transporte inteligentes, ya que ayuda a las ciudades a track vehículos de forma más fiable a través de diferentes cámaras. Gracias a los avances en el aprendizaje profundo y a una mejor validación mediante conjuntos de datos más ricos y diversos, estos sistemas son cada vez más precisos y prácticos en condiciones reales.
A medida que la tecnología evoluciona, es importante equilibrar la innovación con prácticas responsables en materia de privacidad, seguridad y ética. En general, estos avances están allanando el camino hacia unas redes de transporte más inteligentes, seguras y eficientes.
Explore más sobre la IA visitando nuestro repositorio de GitHub y uniéndose a nuestra comunidad. Consulte nuestras páginas de soluciones para obtener más información sobre la IA en la robótica y la visión por ordenador en la fabricación. Descubra nuestras opciones de licencia para empezar a utilizar Vision A hoy mismo.
