3 de octubre de 2025
Desde la mala visibilidad hasta el deslumbramiento, aprenda qué hace que la precisión de la detección de vídeo del tráfico nocturno sea un desafío, y cómo la visión artificial mejora la seguridad y el flujo.
Las carreteras se ven diferentes en la oscuridad, no solo para los conductores, sino también para los sistemas responsables de mantenerlos seguros. La mala visibilidad, el resplandor de los faros y los reflejos de movimiento rápido pueden hacer que la detección de vehículos por la noche sea más desafiante.
Los métodos tradicionales, como la observación manual o las cámaras basadas en el movimiento, se basan principalmente en el juicio humano y las señales de movimiento simples. Esto puede ser poco fiable en condiciones de poca luz o tráfico complejo. Estos métodos pueden identificar erróneamente vehículos o peatones, lo que lleva a detecciones falsas u observaciones perdidas.
La inteligencia artificial (IA), el aprendizaje profundo y la visión artificial pueden cerrar la brecha automatizando la detección y el reconocimiento de vehículos. En particular, la visión artificial es una rama de la IA que permite a las máquinas ver e interpretar datos visuales. Cuando se trata de la detección de vídeo de tráfico nocturno, los modelos de Vision AI pueden ir más allá del brillo o el movimiento, aprendiendo a reconocer patrones complejos que mejoran la precisión.
Por ejemplo, los modelos de visión artificial como Ultralytics YOLO26 y Ultralytics YOLO11 son conocidos por su velocidad y precisión. Pueden manejar datos de vídeo e imagen en tiempo real, detectando y clasificando múltiples objetos dentro de un fotograma y rastreándolos a través de secuencias.
Estas capacidades son posibles gracias a diversas tareas de visión, como la detección de objetos y la segmentación de instancias, incluso cuando los faros, las sombras o la superposición de vehículos dificultan la detección. Permiten al modelo identificar, clasificar y diferenciar objetos.
En este artículo, exploraremos los desafíos de la monitorización del tráfico nocturno, veremos cómo la visión artificial los aborda y dónde se está aplicando Vision AI en los sistemas de monitorización del tráfico del mundo real. ¡Empecemos!
Antes de explorar cómo la visión artificial resuelve los desafíos de la detección de tráfico nocturno, veamos por qué detectar vehículos en la oscuridad es tan difícil. Aquí hay algunos factores a considerar:
Los modelos de visión artificial se entrenan utilizando grandes colecciones de imágenes conocidas como conjuntos de datos (datasets). Estos conjuntos de datos se etiquetan cuidadosamente con los objetos que contienen, como coches, camiones, peatones y bicicletas, y sirven como base para el entrenamiento. Al estudiar estos ejemplos etiquetados, el modelo aprende a reconocer patrones, lo que le permite identificar y detectar objetos en nuevas secuencias de video.
Durante el entrenamiento, el modelo extrae características de los datos y las utiliza para mejorar la precisión de la detección. Este proceso ayuda a reducir las detecciones perdidas y las falsas alarmas cuando el modelo se expone a escenas de tráfico del mundo real.
Sin embargo, construir conjuntos de datos o recopilaciones de datos para condiciones nocturnas es mucho más desafiante. La mala calidad del video hace que el etiquetado requiera mucho tiempo y sea propenso a errores. Además, los eventos raros pero importantes, como accidentes o comportamientos de conducción inusuales, pueden ser difíciles de capturar en entornos nocturnos. Esto da como resultado un número limitado de ejemplos de entrenamiento para que los modelos aprendan.
Para abordar este problema, los investigadores han desarrollado conjuntos de datos de referencia especializados. Un conjunto de datos de referencia es más que una simple colección de imágenes. Incluye etiquetas estandarizadas, protocolos de evaluación y métricas de rendimiento como la precisión, la exhaustividad y la precisión media promedio (mAP). Estas métricas permiten probar y comparar diferentes algoritmos en las mismas condiciones, lo que garantiza una evaluación justa y coherente.
Por ejemplo, el conjunto de datos de referencia ExDark contiene 7.363 imágenes con poca luz en 12 categorías de objetos (bicicleta, barco, botella, autobús, coche, gato, silla, taza, perro, moto, personas, mesa). Cada imagen está anotada con cuadros delimitadores, y el conjunto de datos se utiliza ampliamente en la investigación para evaluar la detección y clasificación de objetos en condiciones de poca iluminación.
De forma similar, el conjunto de datos de referencia NightOwls proporciona alrededor de 115.000 imágenes nocturnas con aproximadamente 279.000 anotaciones de peatones. Se ha convertido en un recurso clave para evaluar los sistemas de detección de peatones, que desempeñan un papel vital en la seguridad vial y los sistemas avanzados de asistencia al conductor (ADAS).
Ahora que tenemos una mejor comprensión de los desafíos involucrados y la necesidad de conjuntos de datos, examinemos más de cerca cómo los sistemas basados en visión pueden interpretar videos de tráfico nocturno.
Modelos como YOLO11 y YOLO26 admiten tareas de visión artificial como la detección de objetos, el seguimiento y la segmentación de instancias, lo que permite analizar el tráfico incluso en condiciones de poca luz. Aquí tienes una descripción general de las tareas de Vision AI que estos modelos admiten para analizar el tráfico nocturno:
Hablamos sobre el entrenamiento de modelos, la necesidad de conjuntos de datos y las tareas que admiten modelos como YOLO11 y YOLO26. Pero para juntarlo todo, hay un concepto más que debemos analizar: cómo se aplican realmente estos modelos a la monitorización nocturna.
De fábrica, los modelos Ultralytics YOLO están disponibles como versiones pre-entrenadas, lo que significa que ya han sido entrenados en grandes conjuntos de datos de propósito general, como el conjunto de datos COCO, que cubre muchos objetos cotidianos. Esto le da al modelo una gran capacidad de referencia para detectar y clasificar objetos.
Sin embargo, dado que estos conjuntos de datos contienen muy pocos ejemplos de baja iluminación o nocturnos, los modelos preentrenados no son muy buenos para manejar el deslumbramiento, las sombras o el contraste deficiente de manera efectiva. Para que sean impactantes en la detección de vídeo de tráfico nocturno, deben ajustarse con precisión en conjuntos de datos especializados que reflejen las condiciones nocturnas del mundo real.
El ajuste fino o el entrenamiento personalizado implica entrenar el modelo con imágenes etiquetadas adicionales capturadas en condiciones de poca luz, como vehículos bajo el resplandor de los faros, peatones en pasos de cebra o intersecciones concurridas por la noche, para que aprenda las características únicas de las escenas nocturnas.
Una vez entrenado de forma personalizada, el modelo puede admitir tareas como la detección, el seguimiento, la segmentación o la clasificación con mucha mayor precisión en condiciones de poca luz. Esto permite a las autoridades de tráfico aplicar dichos modelos para casos de uso prácticos como el conteo de vehículos, la estimación de la velocidad, el control adaptativo de señales y la prevención de accidentes por la noche.
A continuación, veamos cómo se puede adoptar la visión artificial en los sistemas de tráfico nocturno del mundo real.
Las intersecciones urbanas son algunas de las áreas más difíciles de gestionar, especialmente por la noche, cuando la visibilidad disminuye y el flujo de tráfico se vuelve menos predecible. Las señales tradicionales se basan en temporizadores fijos que no pueden responder a los cambios en tiempo real. Las investigaciones demuestran que esto no solo hace perder tiempo a los conductores, sino que también provoca un consumo innecesario de combustible y retrasos.
Ahí es exactamente donde los sistemas de visión artificial pueden ayudar a superar este desafío. Estos sistemas pueden monitorear los movimientos de los vehículos y detectar el número de vehículos en tiempo real. Los datos se introducen en sistemas adaptativos de control de tráfico. Esto permite que las señales se ajusten rápidamente en respuesta a las condiciones reales de la carretera. Por lo tanto, si un carril está lleno mientras que otro está vacío, la sincronización de la señal se puede ajustar instantáneamente para eliminar los cuellos de botella.
Conducir de noche es más arriesgado que de día porque la visibilidad reducida, la iluminación irregular y los deslumbramientos dificultan al conductor calcular las distancias. De hecho, los estudios demuestran que la tasa de accidentes mortales por kilómetro de noche puede ser hasta tres veces mayor que a la luz del día.
Los métodos de monitorización convencionales, como las cámaras de vigilancia fijas, las patrullas de carretera, los sensores de presencia de vehículos y los sistemas de señalización de tiempo fijo, operan de forma reactiva y pueden no detectar las situaciones peligrosas con la suficiente antelación para evitar que se produzcan.
Las soluciones de visión artificial pueden abordar esta preocupación analizando transmisiones de video en vivo y detectando patrones inusuales en la carretera o autopista. Mediante el seguimiento de objetos, estos sistemas pueden monitorear el comportamiento del vehículo en tiempo real y generar alertas cuando algo parece anormal.
Por ejemplo, si un vehículo en movimiento está cambiando de carril, moviéndose demasiado rápido en una zona congestionada o reduciendo la velocidad repentinamente, el sistema puede marcarlo en tiempo real. Esto significa que las autoridades pueden responder rápidamente y evitar accidentes antes de que ocurran.
Para los vehículos autónomos y los ADAS, la conducción nocturna plantea sus propios desafíos. La baja visibilidad y los patrones de tráfico impredecibles dificultan el rendimiento fiable de los sensores tradicionales, lo que plantea problemas de seguridad.
La visión artificial mejora estos sistemas al encargarse de tareas como la detección de objetos, el seguimiento de carriles y la segmentación, lo que permite a los vehículos reconocer peatones, otros coches y obstáculos incluso en condiciones de poca luz. Cuando se combina con radar o LiDAR (Light Detection and Ranging), que mapean el entorno en 3D, la capa visual añadida ayuda a los ADAS a proporcionar alertas tempranas y proporciona a los vehículos autónomos la conciencia que necesitan para navegar de forma más segura por la noche.
El exceso de velocidad es responsable de una de cada tres muertes por accidentes de tráfico en todo el mundo, y el riesgo solo empeora por la noche. La oscuridad dificulta que la policía de tráfico detecte las infracciones, ya que los detalles que son claros a la luz del día a menudo se difuminan en la oscuridad.
Es por eso que las infracciones como el exceso de velocidad en carreteras vacías, saltarse los semáforos en rojo o desviarse al carril equivocado a menudo quedan impunes. La visión artificial aborda este problema mediante el uso de cámaras infrarrojas para detectar infracciones incluso en condiciones de poca luz. Estos sistemas crean zonas de detección donde se registran los incidentes, lo que reduce los falsos positivos y proporciona evidencia clara y verificable. Para las autoridades de transporte, significa menos puntos ciegos y menos dependencia de las comprobaciones manuales.
Aquí hay algunas ventajas de usar la IA de visión para la detección de vídeo de tráfico nocturno.
A pesar de sus beneficios, la detección de tráfico nocturno mediante Vision AI también presenta ciertas limitaciones. Estos son algunos factores a tener en cuenta:
A medida que las ciudades crecen y las carreteras se congestionan, la detección de tráfico nocturno avanza hacia sistemas más inteligentes y con mayor capacidad de respuesta. Por ejemplo, las cámaras térmicas y los sensores de infrarrojos pueden detectar las firmas de calor de personas y vehículos, lo que permite ver incluso en la oscuridad total. Esto reduce los errores que se producen cuando las cámaras estándar tienen problemas con el deslumbramiento o la poca luz.
Otro enfoque creciente es la fusión de cámara y LiDAR. Las cámaras proporcionan imágenes detalladas de la carretera, mientras que LiDAR genera un mapa 3D preciso. Utilizados juntos, mejoran la precisión en la detección de carriles, vehículos y obstáculos, particularmente en condiciones de poca luz o niebla moderada.
Paralelamente, los avances en la mejora de imágenes con poca luz, el reconocimiento de peatones y la identificación de matrículas están ampliando las capacidades de la visión artificial. Gracias a estas mejoras, incluso las carreteras e intersecciones con poca iluminación pueden ser supervisadas con mayor fiabilidad y menos errores.
Detectar vehículos por la noche siempre ha sido un desafío para la monitorización del tráfico, pero la visión artificial está haciendo que sea más manejable. Al reducir el impacto del deslumbramiento y gestionar escenas de tráfico complejas, proporciona una imagen más precisa de cómo se comportan las carreteras después del anochecer. A medida que estos sistemas continúan avanzando, están allanando el camino para un transporte más seguro, inteligente y eficiente por la noche.
¿Listo para integrar Vision AI en sus proyectos? Únase a nuestra activa comunidad y descubra innovaciones como la IA en la industria automotriz y la Vision AI en la robótica. Visite nuestro repositorio de GitHub para descubrir más. Para comenzar hoy mismo con la visión artificial, consulte nuestras opciones de licencia.
