¿Cómo calcular la distancia mediante modelos de visión artificial?

Cuando cruzas la calle y ves un coche que viene hacia ti, puedes saber al instante aproximadamente a qué distancia se encuentra. Este juicio rápido, casi instintivo, se debe a una comprensión espacial de tu entorno. Basándote en este sentido, puedes decidir si acelerar, detenerte o seguir caminando.

Del mismo modo, la visión artificial es una rama de la inteligencia artificial (IA) que hace posible que las máquinas desarrollen una comprensión de su entorno mediante la interpretación de datos visuales. Al igual que tú puedes evaluar la proximidad de un coche para tomar decisiones rápidas, los modelos de visión artificial pueden analizar imágenes y vídeos, ayudando a las máquinas a detectar y reaccionar ante el mundo que las rodea.

Por ejemplo, Ultralytics YOLO11 es un modelo de visión artificial que puede detectar y rastrear objetos en imágenes y vídeos en tiempo real. En pocas palabras, YOLO11 funciona mirando la imagen completa de una vez, en lugar de hacerlo por partes, lo que lo hace más rápido y eficiente. También puede manejar tareas de visión artificial como la segmentación de instancias, la estimación de poses y la clasificación de imágenes.

En particular, las capacidades de YOLO11 pueden utilizarse para calcular la distancia entre objetos, lo cual es útil en muchas áreas como la fabricación, el comercio minorista y la gestión de multitudes, ayudando a mejorar la seguridad y la eficiencia.

En este artículo, exploraremos cómo se puede utilizar YOLO11 para el cálculo de distancias en aplicaciones de visión artificial, por qué es importante y su impacto en diferentes sectores.

Fig 1. Un ejemplo del uso de YOLO para calcular la distancia de aterrizaje de un avión.

Link to this sectionUna visión general del cálculo de distancias en visión artificial#

El cálculo de distancias en visión artificial implica detectar, localizar y medir los píxeles entre dos objetos en una imagen. Los píxeles son las unidades individuales que componen una imagen digital, cada una representando un punto único con un valor de color o intensidad específico.

Para convertir las medidas en píxeles en distancias del mundo real, la calibración es clave. Puedes pensar en ella como usar una regla para medir algo y luego usar esa medida para entender el tamaño de otros objetos. Al tomar como referencia objetos de tamaños conocidos, la calibración crea un vínculo entre los píxeles y las distancias físicas reales.

Veamos un ejemplo para ver cómo funciona. En la imagen de abajo, la moneda es el objeto de referencia y su tamaño (0,9 pulgadas por 1,0 pulgadas) es conocido. Al comparar las medidas en píxeles de los otros objetos con el tamaño de la moneda, podemos calcular su tamaño en el mundo real.

Fig 2. Se puede usar una moneda como referencia para medir el tamaño real de otros objetos.

Sin embargo, el cálculo de distancias se realiza en un plano bidimensional (2D), lo que significa que solo mide las distancias horizontales y verticales entre los objetos. Esto es diferente a la estimación de profundidad, que mide la distancia de los objetos en un espacio tridimensional, incluyendo su distancia desde la cámara.

Aunque las cámaras de profundidad pueden medir la profundidad real y ofrecer información espacial más detallada, en muchos casos, una simple distancia calibrada es suficiente. Por ejemplo, saber a qué distancia están los objetos en un plano 2D funciona bien para tareas como el seguimiento de objetos o la gestión de colas, por lo que la estimación de profundidad no es necesaria en esas situaciones.

Link to this sectionComprender cómo funciona el cálculo de distancias usando YOLO11#

A continuación, veamos cómo calcular la distancia entre dos objetos usando la compatibilidad de YOLO11 con detección de objetos y seguimiento. Aquí tienes un desglose:

• Detección y seguimiento de objetos: YOLO11 se puede usar para detectar objetos reconociéndolos en un fotograma y rastreando su movimiento a través de los fotogramas en un vídeo. Asigna un ID de seguimiento único a cada objeto, lo que permite al sistema monitorear su posición y movimiento a lo largo del vídeo.
• Cuadros delimitadores (Bounding boxes): Se dibujan cuadros delimitadores alrededor de los objetos detectados basándose en los resultados de detección de objetos de YOLO11, los cuales definen su ubicación en la imagen.
• Selección de objetos: Se pueden seleccionar dos objetos para centrarse en ellos, y YOLO11 actualiza los cuadros delimitadores a medida que los objetos se mueven en tiempo real.
• Cálculo de centroides: Los centroides (los puntos centrales de los cuadros delimitadores de los dos objetos) se calculan basándose en las coordenadas de las esquinas del cuadro delimitador, representando las posiciones de los objetos.
• Cálculo de distancia: Los centroides de los dos objetos se pueden utilizar para calcular la distancia euclidiana entre ellos. La distancia euclidiana es la distancia en línea recta entre dos puntos en un plano 2D, calculada usando las diferencias tanto en dirección horizontal como vertical. Esto proporciona la distancia entre los dos objetos en píxeles.

Es importante tener en cuenta que las distancias calculadas mediante este método son solo estimaciones, ya que se basan en medidas de píxeles en 2D.

Fig 3. Uso de Ultralytics YOLO para detectar a una persona y calcular distancias.

Link to this sectionEl impacto de la estimación de distancia de YOLO#

Teniendo en cuenta que el cálculo de distancias mediante YOLO11 es una estimación, quizá te preguntes: ¿Dónde se puede utilizar y cómo puede marcar la diferencia?

Dado que se utilizan calibraciones para llegar a estas estimaciones de distancia, son lo suficientemente precisas como para ayudar en muchas situaciones prácticas. La estimación de distancia de YOLO11 es particularmente útil en entornos dinámicos, como almacenes, donde los objetos están constantemente en movimiento y son necesarios ajustes en tiempo real para que todo funcione sin problemas.

Un ejemplo interesante es el uso de YOLO11 para rastrear paquetes en una cinta transportadora y estimar la distancia entre ellos en tiempo real. Esto ayuda a los gerentes de almacén a asegurarse de que los paquetes estén espaciados correctamente, evitando colisiones y manteniendo el flujo de trabajo sin interrupciones.

En tales casos, no siempre es necesaria una distancia exacta. Por lo general, se establece un rango o umbral para la distancia óptima, por lo que una estimación funciona bien para este tipo de aplicaciones.

Fig 4. Detección de paquetes usando YOLO11 y cálculo de la distancia entre ellos.

Link to this sectionCálculo de distancias en aplicaciones de visión artificial#

Varias aplicaciones de visión artificial pueden beneficiarse del cálculo de la distancia entre objetos usando YOLO11. En el análisis minorista, por ejemplo, ayuda a mejorar la gestión de colas mediante el seguimiento de las posiciones de los clientes en tiempo real. Esto hace posible que las empresas asignen mejor los recursos, reduzcan los tiempos de espera y creen una experiencia de compra más fluida. Al ajustar dinámicamente los niveles de personal y gestionar el flujo de clientes, las tiendas pueden evitar el hacinamiento y optimizar el uso del espacio.

Del mismo modo, en la gestión del tráfico, la estimación de distancia ayuda a monitorear el espaciado de los vehículos y analizar los patrones de tráfico. Esto se puede utilizar para detectar comportamientos peligrosos, como no guardar la distancia de seguridad, y ajustar los semáforos para mantener un flujo de tráfico fluido. Puede ayudar a hacer que las carreteras sean más seguras mediante la identificación de posibles problemas y la mejora de la gestión general del tráfico en tiempo real.

Fig 5. El cálculo de distancia basado en visión se puede usar para monitorear el tráfico.

Otro uso único de esta tecnología surgió durante la pandemia de COVID-19 cuando ayudó a promover el distanciamiento social. Se aseguró de que las personas mantuvieran una distancia segura en espacios públicos, tiendas y hospitales, reduciendo el riesgo de propagación del virus.

Al rastrear distancias en tiempo real, se podían enviar alertas cuando las personas estaban demasiado cerca, facilitando que las empresas y los proveedores de atención médica respondieran rápidamente y mantuvieran un entorno más seguro para todos.

Link to this sectionPros y contras del cálculo de distancias en visión artificial#

Ahora que hemos discutido algunas de las aplicaciones del cálculo de distancias mediante visión artificial, aquí tienes un vistazo más de cerca a los beneficios asociados de hacerlo:

• Automatización: La IA de visión puede automatizar tareas de cálculo de distancias que de otro modo requerirían seguimiento manual, reduciendo el error humano y los costes laborales, a la vez que aumenta la productividad.
• Optimización de recursos: Al conocer el espaciado aproximado y la proximidad de los objetos, se pueden optimizar los recursos (como el personal o la maquinaria), reduciendo el desperdicio y mejorando los flujos de trabajo.
• Complejidad mínima de configuración: Una vez configurados, los sistemas de cálculo de distancias por visión requieren relativamente poco mantenimiento y menos intervención humana en comparación con otros sistemas que dependen de la entrada manual o maquinaria compleja.

A pesar de estas ventajas, también hay algunas limitaciones a tener en cuenta al implementar dichos sistemas. Aquí tienes un vistazo rápido a los factores clave a considerar cuando se trata del cálculo de distancias mediante visión artificial:

• Sensibilidad a factores ambientales: La precisión del cálculo de distancias puede verse afectada por las condiciones de iluminación, sombras, reflejos u obstrucciones, lo que provoca posibles errores o inconsistencias.
• Preocupaciones de privacidad: El uso de visión artificial para rastrear objetos o personas puede plantear problemas de privacidad, especialmente en espacios públicos o entornos sensibles donde pueden estar involucrados datos personales.
• Complejidad en escenarios con múltiples objetos: En entornos con numerosos objetos en movimiento, calcular con precisión las distancias entre múltiples objetos simultáneamente puede dar lugar a confusiones, especialmente si están cerca unos de otros o se cruzan.

Link to this sectionConclusiones clave#

Calcular la distancia entre objetos usando YOLO11 es una solución fiable que puede respaldar la toma de decisiones. Es especialmente útil en entornos dinámicos como almacenes, comercio minorista y gestión de tráfico, donde realizar un seguimiento de la proximidad de los objetos puede mejorar la eficiencia y la seguridad.

YOLO11 hace posible automatizar tareas que normalmente requerirían esfuerzo manual. Si bien existen algunos desafíos, como la sensibilidad a factores ambientales y las preocupaciones de privacidad, los beneficios, como la automatización, la escalabilidad y la fácil integración, lo hacen impactante. A medida que la visión artificial continúa mejorando, especialmente en áreas como el cálculo de distancias, es probable que veamos un cambio real en la forma en que las máquinas interactúan con su entorno y lo entienden.

¡Únete a nuestra comunidad! Explora nuestro repositorio de GitHub para descubrir más sobre la IA de visión. Si te interesa aprovechar la visión artificial, echa un vistazo a nuestras opciones de licencia. ¡Aprende cómo la visión artificial en la sanidad está mejorando la eficiencia y observa el impacto de la IA en la agricultura visitando nuestras páginas de soluciones!