Guía definitiva de herramientas de estimación de pose

Como seres humanos, interpretamos el movimiento de forma instintiva. Cuando alguien se inclina hacia delante, gira la cabeza o levanta un brazo, enseguida deducimos qué está haciendo. Es una habilidad discreta, casi subconsciente, que determina cómo interactuamos con las personas y exploramos el mundo.

A medida que la tecnología adquiere más importancia en la vida cotidiana, es natural querer que nuestros dispositivos interpreten el movimiento con la misma fluidez que nosotros. Los avances recientes en inteligencia artificial, especialmente los basados en el aprendizaje profundo, lo están haciendo posible. En concreto, la visión artificial ayuda a las máquinas a extraer significado de imágenes y vídeos, y está impulsando este progreso.

Por ejemplo, la estimación de pose es una tarea habitual de visión artificial que predice la ubicación de puntos clave corporales predefinidos, como los hombros, los codos, las caderas y las rodillas, en una imagen o un fotograma de vídeo. Estos puntos clave se pueden conectar mediante una definición fija del esqueleto para crear una representación simplificada de la pose.

Los modelos de visión artificial como Ultralytics YOLO11 y Ultralytics YOLO26, ya disponible, admiten tareas como la estimación de pose y se pueden usar para desarrollar aplicaciones en tiempo real, como la evaluación de la técnica en el fitness y el deporte, la supervisión de la seguridad y las experiencias interactivas de realidad aumentada.

Fig. 1. Ejemplo del uso de Ultralytics YOLO11 para la estimación de pose (Fuente)

En este artículo, analizaremos en profundidad las herramientas de estimación de pose y veremos cómo funciona, dónde se utiliza y cuáles son algunos de los mejores modelos y bibliotecas disponibles actualmente.

¿Qué es la estimación de poses?#

La estimación de pose es una técnica de visión artificial que ayuda a un sistema a entender la posición de una persona o un objeto en una imagen o un vídeo. En lugar de analizar todos los píxeles por igual, predice un conjunto de puntos de referencia coherentes, como la cabeza, los hombros, los codos, las caderas, las rodillas y los tobillos.

La mayoría de los modelos generan las coordenadas de estos puntos clave y una puntuación que indica la probabilidad de que cada predicción sea correcta. A continuación, estos puntos clave pueden conectarse siguiendo una disposición del esqueleto predefinida para formar una representación sencilla de la pose.

Cuando se aplican fotograma a fotograma en vídeos, los puntos clave resultantes pueden asociarse a lo largo del tiempo para estimar el movimiento. Esto permite aplicaciones como la revisión de la postura, el análisis del movimiento y la interacción mediante gestos.

Fig. 2. Ejemplo de estimación de pose (Fuente)

La necesidad de herramientas de estimación de pose#

El movimiento humano contiene mucha información. La forma en que alguien se agacha, estira el brazo o cambia el peso de un pie a otro puede revelar intenciones, esfuerzo, fatiga o incluso el riesgo de sufrir una lesión. Hasta hace poco, capturar ese nivel de detalle solía requerir sensores especializados, trajes de captura de movimiento o entornos de laboratorio controlados.

La estimación de pose cambia esta situación. Al extraer los principales puntos de referencia del cuerpo de imágenes y vídeos corrientes, los ordenadores pueden analizar el movimiento utilizando cámaras estándar. Esto hace que el análisis del movimiento sea más accesible, escalable y práctico en situaciones reales.

Estas son algunas formas en que la estimación de pose puede marcar la diferencia:

• Entornos de trabajo más seguros: Los sistemas basados en visión pueden detectar posturas de riesgo, esfuerzos repetitivos o técnicas de levantamiento inseguras antes de que se produzcan lesiones.
• Mejor entrenamiento físico y deportivo: Las soluciones de IA de visión pueden evaluar la técnica, el equilibrio y la ejecución en tiempo real, y ofrecer comentarios inmediatos a los usuarios sin necesidad de dispositivos wearables.
• Sanidad y rehabilitación: los profesionales sanitarios pueden hacer un seguimiento a distancia de la evolución de la recuperación, la postura y la amplitud de movimiento mediante sencillas grabaciones de vídeo.
• Experiencias interactivas: la estimación de pose facilita que los avatares digitales y los entornos inmersivos sigan y reflejen con precisión el movimiento humano.

Evolución de los algoritmos de estimación de pose#

La idea de estimar poses existe desde hace muchos años. Los primeros métodos utilizaban modelos geométricos sencillos y reglas diseñadas manualmente, y normalmente solo funcionaban en condiciones controladas.

Por ejemplo, un sistema podía funcionar bien cuando una persona permanecía quieta en una posición fija, pero fallar al empezar a caminar, girarse o interactuar con objetos en escenas reales. Estos métodos solían tener dificultades con los movimientos naturales, los cambios de ángulo de cámara, los fondos recargados y las oclusiones parciales.

La estimación de pose moderna se basa en el aprendizaje profundo para hacer frente a estos desafíos. Al entrenar redes neuronales convolucionales con grandes conjuntos de datos etiquetados, los modelos aprenden patrones visuales que les ayudan a detectar puntos clave con mayor fiabilidad en distintas poses, personas y entornos.

Con más ejemplos, el modelo mejora sus predicciones y generaliza mejor a escenas nuevas. Gracias a estos avances, la estimación de pose admite ahora una amplia variedad de aplicaciones prácticas, como la supervisión y la ergonomía en el lugar de trabajo, y el análisis deportivo, en el que entrenadores y analistas estudian cómo se mueven los atletas.

Tipos de técnicas de estimación de pose#

La estimación de pose puede adoptar varias formas, según el contexto y lo que necesites medir. Estos son los principales tipos que encontrarás:

• Estimación de pose 2D: Este método detecta puntos clave del cuerpo en una imagen bidimensional o un fotograma de vídeo. Funciona bien con cámaras estándar y requiere pocos recursos computacionales, por lo que resulta adecuado para tareas como el seguimiento básico del movimiento, el análisis de la postura y la corrección de la postura en tiempo real.
• Estimación de pose 3D: Al estimar la profundidad además de las coordenadas de la imagen, la estimación de pose 3D proporciona una comprensión espacial del movimiento corporal. Es especialmente útil cuando importa el movimiento hacia delante y hacia atrás, como en el análisis deportivo, la rehabilitación, la biomecánica y la animación. En concreto, la estimación de la pose humana en 3D captura las posiciones y los movimientos de las articulaciones en el espacio tridimensional, lo que reduce la ambigüedad que puede surgir con las proyecciones 2D.
• Estimación de pose de una sola persona: Estos sistemas están diseñados para seguir a una persona cada vez. Suelen funcionar mejor en entornos controlados o semicontrolados donde el sujeto es claramente visible, como las aplicaciones de ejercicio guiado, las videollamadas o las configuraciones de análisis del movimiento.
• Estimación de pose de varias personas: Este método, diseñado para escenas con varias personas, detecta y sigue las poses de varios individuos a la vez. Resulta especialmente útil en entornos concurridos, como lugares de trabajo, gimnasios, espacios públicos y actividades de grupo, donde los sujetos pueden solaparse u ocultarse unos a otros.

Fig. 3. Comprensión del movimiento humano en el espacio 3D frente al espacio de imagen 2D (Fuente)

Cómo funcionan los modelos de estimación de pose humana#

La estimación de pose puede aplicarse a muchos tipos de objetos, pero, para simplificar, nos centraremos en la estimación de la pose humana.

La mayoría de los sistemas de estimación de pose humana se entrenan con conjuntos de datos anotados en los que se etiquetan partes clave del cuerpo en grandes colecciones de imágenes y fotogramas de vídeo. A partir de estos ejemplos, el modelo aprende patrones visuales asociados a puntos de referencia del cuerpo humano, como los hombros, los codos, las caderas, las rodillas y los tobillos, para poder predecir puntos clave con precisión en escenas nuevas.

Otro aspecto clave es la arquitectura de inferencia del modelo, que determina cómo detecta los puntos clave y los ensambla en poses completas. Algunos sistemas detectan primero a cada persona y después estiman los puntos clave dentro de la región de cada persona, mientras que otros detectan puntos clave en toda la imagen y luego los agrupan por individuo. Los diseños más recientes de una sola etapa pueden predecir poses de una pasada y equilibrar la velocidad y la precisión para su uso en tiempo real.

A continuación, analizaremos en detalle distintos métodos de estimación de pose.

Estimación de pose ascendente#

En un método ascendente, el modelo analiza toda la imagen y primero localiza los puntos clave del cuerpo, como la cabeza, los hombros, los codos, las caderas, las rodillas y los tobillos. En esta etapa, no intenta separar a las personas. Simplemente detecta todos los puntos clave o las articulaciones definidos por el esqueleto de la pose en toda la escena.

Después, el sistema realiza un segundo paso para conectar los puntos. Enlaza los puntos clave que corresponden entre sí y los agrupa en esqueletos completos, uno por persona. Como no necesita detectar primero a cada persona, los métodos ascendentes suelen funcionar bien en escenas concurridas donde las personas se solapan, aparecen a distintos tamaños o quedan parcialmente ocultas.

Detección de pose descendente#

En cambio, los sistemas descendentes empiezan por detectar a cada persona de la imagen. Dibujan una caja delimitadora alrededor de cada individuo y tratan cada caja como una región independiente que deben analizar.

Una vez aislada una persona, el modelo predice los puntos clave del cuerpo dentro de esa región. Este método paso a paso suele ofrecer resultados muy precisos, sobre todo cuando hay pocas personas en la escena y cada una es claramente visible.

Estimación de pose de una sola etapa o híbrida#

Los modelos de una sola etapa, a veces llamados híbridos, predicen las poses de una pasada. En lugar de ejecutar primero la detección de personas y después la estimación de puntos clave, generan al mismo tiempo la ubicación de la persona y los puntos clave del cuerpo.

Como todo ocurre en un único módulo, estos modelos suelen ser más rápidos y eficientes, lo que los hace idóneos para usos en tiempo real, como el seguimiento del movimiento en directo y la captura de movimiento. Los modelos como Ultralytics YOLO11 se basan en esta idea y buscan equilibrar la velocidad con predicciones fiables de los puntos clave.

Entrenamiento y evaluación de modelos de estimación de pose#

Independientemente del método utilizado, un modelo de estimación de pose debe entrenarse y probarse con cuidado antes de que sea fiable en situaciones reales. Normalmente aprende a partir de grandes conjuntos de imágenes (y, a veces, de vídeos) con puntos clave del cuerpo etiquetados, lo que le ayuda a procesar distintas poses, ángulos de cámara y entornos.

Entre los conocidos conjuntos de datos de estimación de pose se encuentran COCO Keypoints, MPII Human Pose, CrowdPose y OCHuman. Cuando estos conjuntos de datos no reflejan las condiciones a las que se enfrentará el modelo durante la implementación, los ingenieros suelen recopilar y etiquetar imágenes adicionales del entorno objetivo, como una fábrica, un gimnasio o una clínica.

Fig. 4. Estimación de varias poses mediante visión artificial (Fuente)

Tras el entrenamiento, el rendimiento del modelo se evalúa con pruebas de referencia estándar para medir su precisión y robustez, y orientar ajustes posteriores para su uso en situaciones reales. Los resultados suelen expresarse mediante la precisión media promedio, conocida habitualmente como mAP, que resume el rendimiento en distintos umbrales de confianza comparando las poses predichas con las anotaciones de referencia.

En muchos benchmarks de pose, una pose predicha se empareja con una pose real de referencia mediante la similitud de puntos clave de objetos (OKS). OKS mide la proximidad entre los puntos clave predichos y los anotados, teniendo en cuenta factores como la escala de la persona y la dificultad habitual para localizar cada punto clave.

Los modelos de pose también generan puntuaciones de confianza para las personas detectadas y para cada punto clave. Estas puntuaciones reflejan la confianza del modelo y se utilizan para clasificar y filtrar las predicciones, algo especialmente importante en condiciones difíciles, como oclusiones, desenfoque por movimiento o ángulos de cámara inusuales.

Herramientas y bibliotecas populares para la estimación de poses#

Hoy en día hay muchas herramientas de estimación de poses, cada una con un equilibrio distinto entre velocidad, precisión y facilidad de uso. Estas son algunas de las herramientas y bibliotecas más utilizadas:

• Ultralytics YOLO11: Desarrollado como un modelo de IA de visión de código abierto de vanguardia, YOLO11 se basa en modelos anteriores como Ultralytics YOLOv8. Mejora la velocidad, la precisión y la eficiencia general, y admite diversas tareas de visión artificial, incluida la estimación de pose. Gracias a su gran rendimiento en distintas plataformas, desde portátiles hasta dispositivos edge, YOLO11 es una buena opción para muchas implementaciones reales.
• Ultralytics YOLO26: Este modelo de última generación, publicado en enero de 2026, está diseñado para ser más ligero, pequeño y rápido, sin dejar de ofrecer una gran precisión. Está pensado para el uso en tiempo real y una implementación más sencilla, y admite tareas como la detección de objetos, la segmentación de instancias y la estimación de pose en tamaños de modelo adaptados a todo tipo de sistemas, desde dispositivos edge hasta sistemas más grandes.
• MediaPipe: Es un framework multiplataforma para crear flujos de trabajo de visión y aprendizaje automático. Es ligero y funciona de forma eficiente en móviles, tabletas y aplicaciones web. Además, incluye soluciones y modelos listos para usar para la estimación de poses de cuerpo completo, los puntos de referencia faciales y el seguimiento de manos.
• OpenPose: Este sistema integral de estimación de pose de código abierto es ampliamente conocido por la detección de puntos clave en varias personas. Puede estimar conjuntamente puntos clave del cuerpo, las manos y la cara, y se utiliza habitualmente en investigación, animación y análisis del movimiento.
• MMPose: MMPose es un kit de herramientas de estimación de poses basado en PyTorch del ecosistema OpenMMLab. Ofrece numerosas implementaciones de modelos, utilidades de entrenamiento y opciones de configuración, por lo que resulta útil para la experimentación y la personalización avanzada.
• HRNet y AlphaPose: Estos modelos de estimación de poses más antiguos siguen utilizándose en investigación. HRNet es una arquitectura de modelo de poses que conserva las características de imagen de alta resolución a lo largo de toda la red, lo que ayuda a localizar los puntos clave con precisión. AlphaPose es un sistema de estimación de poses de varias personas muy utilizado, sobre todo cuando se necesita una gran precisión en escenas concurridas o complejas.

Aplicaciones reales del análisis y la estimación de poses#

La estimación de poses se utiliza cada vez más para convertir vídeos convencionales en información útil sobre el movimiento. Al seguir los puntos clave del cuerpo fotograma a fotograma, estos sistemas pueden deducir la postura, el movimiento y el comportamiento físico a partir de las imágenes de las cámaras, lo que hace que esta tecnología resulte práctica en muchos contextos reales.

Por ejemplo, en el ámbito sanitario y la rehabilitación, el seguimiento de poses puede ayudar al personal clínico a observar y medir cómo se mueve un paciente durante la terapia y la recuperación. Al extraer puntos de referencia corporales de grabaciones de vídeo convencionales, se puede utilizar para evaluar la postura, la amplitud de movimiento y los patrones generales de movimiento a lo largo del tiempo. Estas mediciones pueden complementar y optimizar las evaluaciones clínicas tradicionales y, en algunos casos, facilitar el seguimiento de los avances sin necesidad de sensores ponibles ni equipos especializados.

Del mismo modo, en el deporte y las retransmisiones, la estimación de poses permite analizar el movimiento de los atletas directamente a partir de las imágenes de vídeo. Un ejemplo interesante es Hawk-Eye, un sistema de seguimiento basado en cámaras que se utiliza en el deporte profesional para el arbitraje y los gráficos de las retransmisiones. También realiza un seguimiento del esqueleto al estimar los puntos clave del cuerpo de un atleta a partir de las imágenes de las cámaras.

Cómo elegir la herramienta de estimación de poses adecuada#

Para elegir la herramienta de estimación de poses adecuada, primero debes conocer las necesidades de tu proyecto de visión artificial. Algunas aplicaciones priorizan la velocidad en tiempo real, mientras que otras requieren mayor precisión y detalle.

El dispositivo de destino también influye. Las aplicaciones móviles y los dispositivos periféricos suelen requerir modelos ligeros y eficientes, mientras que los modelos más grandes suelen ser más adecuados para servidores o entornos en la nube.

Además, la facilidad de uso también puede ser importante. Una buena documentación, una implementación sencilla y la compatibilidad con el entrenamiento personalizado pueden agilizar tu proyecto.

En pocas palabras, cada herramienta destaca en distintos aspectos. Por ejemplo, los modelos Ultralytics YOLO ofrecen un equilibrio práctico entre velocidad, precisión y facilidad de implementación para muchas aplicaciones reales de estimación de poses.

Fig. 5. Estimación de poses de animales con Ultralytics YOLO11 (Fuente)

Conclusiones clave#

La estimación de poses ayuda a los ordenadores a comprender el movimiento humano al detectar puntos clave del cuerpo en imágenes y vídeos. Modelos como YOLO11 y YOLO26 facilitan la creación de aplicaciones en tiempo real para ámbitos como el deporte, la sanidad, la seguridad laboral y las experiencias interactivas. A medida que los modelos siguen ganando velocidad y precisión, es probable que la estimación de poses se convierta en una función habitual de muchos sistemas de IA de visión.

¿Quieres saber más sobre IA? Echa un vistazo a nuestra comunidad y a nuestro repositorio de GitHub. Explora nuestras páginas de soluciones para descubrir la IA en la robótica y la visión artificial en la fabricación. Descubre nuestras opciones de licencia y empieza hoy mismo a crear con visión artificial.