¿Cómo calcular distancias con modelos de visión artificial?

Cuando cruzas la calle y ves que se acerca un coche, puedes calcular al instante, aproximadamente, a qué distancia está. Este juicio rápido, casi instintivo, se debe a la comprensión espacial de tu entorno. A partir de esta percepción, puedes decidir si acelerar el paso, detenerte o seguir caminando.

De forma similar, la visión artificial es una rama de la inteligencia artificial (AI) que permite a las máquinas comprender su entorno mediante la interpretación de datos visuales. Igual que puedes calcular la proximidad de un coche para tomar decisiones rápidas, los modelos de visión artificial pueden analizar imágenes y vídeos, lo que ayuda a las máquinas a percibir y reaccionar ante el mundo que las rodea.

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

En concreto, las capacidades de Ultralytics YOLO11 pueden utilizarse para calcular la distancia entre objetos, algo útil en muchos ámbitos, como la fabricación, el comercio minorista y la gestión de multitudes, que ayuda a mejorar la seguridad y la eficiencia.

En este artículo veremos cómo se puede usar Ultralytics YOLO11 para el cálculo de distancias en aplicaciones de visión artificial, por qué es importante y qué impacto tiene en distintos sectores.

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

Introducción al cálculo de distancias en visión artificial#

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

Para convertir las medidas en píxeles en distancias del mundo real, la calibración es fundamental. Puedes pensar en ella como el uso de una regla para medir algo y luego utilizar esa medida para determinar el tamaño de otros objetos. Al tomar como referencia objetos de tamaño conocido, la calibración establece una relación entre los píxeles y las distancias físicas reales.

Veamos un ejemplo para entender cómo funciona. En la imagen siguiente, la moneda es el objeto de referencia y conocemos su tamaño (0,9 pulgadas por 1,0 pulgada). Al comparar las medidas en píxeles de los demás objetos con el tamaño de la moneda, podemos calcular su tamaño real.

Fig. 2. Se puede utilizar 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 objetos. Esto es distinto de la estimación de profundidad, que mide la distancia de los objetos en un espacio tridimensional, incluida su distancia respecto a la cámara.

Aunque las cámaras de profundidad pueden medir la profundidad real y proporcionar información espacial más detallada, en muchos casos basta con una distancia calibrada sencilla. Por ejemplo, conocer la distancia entre objetos en un plano 2D funciona bien para tareas como seguir objetos o gestionar colas, por lo que no hace falta estimar la profundidad en esos casos.

Cómo funciona el cálculo de distancias con Ultralytics YOLO11#

A continuación, repasaremos cómo calcular la distancia entre dos objetos con las capacidades de detección de objetos y seguimiento de Ultralytics YOLO11. Estos son los pasos:

• Detección y seguimiento de objetos: Ultralytics YOLO11 puede utilizarse para detectar objetos al reconocerlos en un fotograma y seguir su movimiento entre los fotogramas de un vídeo. Asigna un ID de seguimiento único a cada objeto, lo que permite al sistema supervisar su posición y movimiento a lo largo del vídeo.
• Cajas delimitadoras: Se dibujan cajas delimitadoras alrededor de los objetos detectados a partir de los resultados de detección de objetos de Ultralytics YOLO11, que determinan su ubicación en la imagen.
• Selección de objetos: Se pueden seleccionar dos objetos para centrarse en ellos, y Ultralytics YOLO11 actualiza las cajas delimitadoras a medida que se mueven en tiempo real.
• Cálculo del centroide: Los centroides (los puntos centrales de las cajas delimitadoras de los dos objetos) se calculan a partir de las coordenadas de las esquinas de las cajas delimitadoras y representan la posición de los objetos.
• Cálculo de la distancia: A continuación, se pueden utilizar los centroides de los dos objetos para calcular la distancia euclídea entre ellos. La distancia euclídea es la distancia en línea recta entre dos puntos de un plano 2D, calculada a partir de las diferencias en las direcciones horizontal y vertical. De este modo se obtiene la distancia entre los dos objetos en píxeles.

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

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

El impacto de la estimación de distancias con YOLO#

Como el cálculo de distancias con Ultralytics YOLO11 es una estimación, quizá te preguntes dónde se puede utilizar y qué diferencia puede marcar.

Estas estimaciones de distancias se obtienen mediante calibraciones y son lo bastante precisas para ayudar en muchas situaciones prácticas. La estimación de distancias de Ultralytics YOLO11 resulta especialmente útil en entornos dinámicos, como los almacenes, donde los objetos están en constante movimiento y es necesario realizar ajustes en tiempo real para que todo funcione correctamente.

Un ejemplo interesante es utilizar YOLO11 para seguir paquetes en una cinta transportadora y estimar en tiempo real la distancia que los separa. Esto ayuda a los responsables del almacén a asegurarse de que los paquetes estén bien separados, evitar colisiones y mantener el flujo de trabajo.

En estos casos, no siempre es necesaria una distancia exacta. Normalmente se establece un intervalo o umbral para la distancia óptima, por lo que una estimación funciona bien en este tipo de aplicaciones.

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

Cálculo de distancias en aplicaciones de visión artificial#

Diversas aplicaciones de visión artificial pueden beneficiarse del cálculo de la distancia entre objetos con Ultralytics YOLO11. Por ejemplo, en el análisis del comercio minorista, ayuda a mejorar la gestión de colas mediante el seguimiento en tiempo real de la posición de los clientes. Esto permite a las empresas asignar mejor los recursos, reducir los tiempos de espera y ofrecer una experiencia de compra más fluida. Al ajustar dinámicamente los niveles de personal y gestionar el flujo de clientes, las tiendas pueden evitar aglomeraciones y optimizar el uso del espacio.

Del mismo modo, en la gestión del tráfico, la estimación de distancias ayuda a supervisar la separación entre vehículos y analizar los patrones de tráfico. Puede utilizarse para detectar comportamientos peligrosos, como circular demasiado cerca del vehículo de delante, y ajustar los semáforos para que el tráfico fluya sin problemas. También puede contribuir a que las carreteras sean más seguras al identificar posibles problemas y mejorar la gestión general del tráfico en tiempo real.

Fig. 5. El cálculo de distancias mediante visión artificial puede utilizarse para supervisar el tráfico.

Otro uso singular de esta tecnología se produjo durante la pandemia de COVID-19, cuando ayudó a fomentar el distanciamiento social. Permitía garantizar que las personas mantuvieran una distancia segura en espacios públicos, tiendas y hospitales, reduciendo el riesgo de propagación del virus.

Al hacer un seguimiento de las distancias en tiempo real, se podían enviar alertas cuando las personas estaban demasiado cerca, lo que facilitaba que las empresas y los profesionales sanitarios respondieran rápidamente y mantuvieran un entorno más seguro para todos.

Ventajas e inconvenientes del cálculo de distancias en visión artificial#

Ahora que hemos repasado algunas aplicaciones del cálculo de distancias mediante visión artificial, veamos más de cerca las ventajas que ofrece:

• Automatización: La IA visual puede automatizar tareas de cálculo de distancias que, de otro modo, requerirían un seguimiento manual, reduciendo los errores humanos y los costes laborales, y aumentando la productividad.
• Optimización de recursos: Conocer la separación y proximidad aproximadas de los objetos permite optimizar los recursos, como el personal o la maquinaria, reducir el desperdicio y mejorar los flujos de trabajo.
• Configuración sencilla: Una vez configurados, los sistemas de cálculo de distancias mediante visión artificial requieren relativamente poco mantenimiento y menos intervención humana que otros sistemas que dependen de la introducción manual de datos o de maquinaria compleja.

A pesar de estas ventajas, también hay algunas limitaciones que debes tener en cuenta al implementar estos sistemas. Estos son algunos factores clave que conviene considerar en el cálculo de distancias mediante visión artificial:

• Sensibilidad a los factores ambientales: La precisión del cálculo de distancias puede verse afectada por las condiciones de iluminación, las sombras, los reflejos o los obstáculos, lo que puede causar errores o incoherencias.
• Cuestiones de privacidad: El uso de la visión artificial para seguir objetos o personas puede plantear problemas de privacidad, sobre todo en espacios públicos o entornos sensibles donde pueda haber datos personales.
• Complejidad en situaciones con varios objetos: En entornos con muchos objetos en movimiento, calcular con precisión las distancias entre varios objetos a la vez puede generar confusión, especialmente si están muy cerca o se cruzan.

Conclusiones clave#

Calcular la distancia entre objetos con Ultralytics YOLO11 es una solución fiable que puede ayudar en la toma de decisiones. Resulta especialmente útil en entornos dinámicos como almacenes, comercios y sistemas de gestión del tráfico, donde seguir la proximidad de los objetos puede mejorar la eficiencia y la seguridad.

Ultralytics YOLO11 permite automatizar tareas que normalmente requerirían trabajo manual. Aunque presenta algunos retos, como la sensibilidad a los factores ambientales y las cuestiones de privacidad, sus ventajas —como la automatización, la escalabilidad y la facilidad de integración— hacen que tenga un gran impacto. A medida que la visión artificial siga mejorando, especialmente en ámbitos como el cálculo de distancias, es probable que veamos un cambio significativo en la forma en que las máquinas interactúan con su entorno y lo comprenden.

¡Únete a nuestra comunidad! Explora nuestro repositorio de GitHub para obtener más información sobre la IA visual. Si te interesa aprovechar la visión artificial, consulta nuestras opciones de licencia. Descubre cómo la visión artificial en la atención sanitaria mejora la eficiencia y conoce el impacto de la IA en la agricultura en nuestras páginas de soluciones.