3 de octubre de 2025
Desde la escasa visibilidad hasta el deslumbramiento, descubra qué hace que la precisión de la detección por vídeo del tráfico nocturno sea un reto, y cómo la visión por ordenador mejora la seguridad y la fluidez.
Las carreteras parecen diferentes en la oscuridad, no sólo para los conductores, sino también para los sistemas responsables de mantener su seguridad. La escasa visibilidad, el resplandor de los faros y los reflejos rápidos pueden dificultar la detección nocturna de vehículos.
Los métodos tradicionales, como la observación manual o las cámaras basadas en el movimiento, se basan principalmente en el juicio humano y en simples indicios de movimiento. Esto puede resultar poco fiable en condiciones de poca luz o de tráfico complejo. Estos métodos pueden identificar erróneamente vehículos o peatones, dando lugar a falsas detecciones o a observaciones omitidas.
La inteligencia artificial (IA), el aprendizaje profundo y la visión por ordenador pueden salvar las distancias automatizando la detección y el reconocimiento de vehículos. En concreto, la visión por ordenador es una rama de la IA que permite a las máquinas ver e interpretar datos visuales. Cuando se trata de la detección de vídeos 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 por ordenador como Ultralytics YOLO26 y Ultralytics YOLO11 son conocidos por su velocidad y precisión. Pueden manejar datos de vídeo e imágenes en tiempo real, detectar y clasificar múltiples objetos dentro de un fotograma y rastrearlos 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 retos que plantea la vigilancia del tráfico nocturno, veremos cómo los aborda la visión por ordenador y dónde se está aplicando la IA de visión en los sistemas de vigilancia del tráfico del mundo real. Empecemos.
Antes de analizar cómo la visión por ordenador resuelve los problemas de la detección del tráfico nocturno, veamos por qué es tan difícil detectar vehículos en la oscuridad. He aquí algunos factores a tener en cuenta:
Los modelos de visión por ordenador se entrenan utilizando grandes colecciones de imágenes conocidas como conjuntos de datos. Estos conjuntos de datos se etiquetan cuidadosamente con los objetos que contienen, como coches, camiones, peatones y bicicletas, y sirven de 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 vídeo.
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 fallidas y las falsas alarmas cuando el modelo se expone a escenas de tráfico del mundo real.
Sin embargo, crear conjuntos o colecciones de datos para condiciones nocturnas es mucho más difícil. La mala calidad del vídeo hace que el etiquetado lleve mucho tiempo y sea propenso a errores. Además, los sucesos raros pero importantes, como accidentes o comportamientos inusuales al volante, pueden ser difíciles de captar en entornos nocturnos. El resultado es un número limitado de ejemplos de entrenamiento de los que pueden aprender los modelos.
Para resolver este problema, los investigadores han desarrollado conjuntos de datos de referencia especializados. Un conjunto de datos de referencia es algo más que una colección de imágenes. Incluye etiquetas normalizadas, protocolos de evaluación y parámetros de rendimiento como la precisión, la recuperación y la precisión media (mAP). Estos parámetros permiten probar y comparar distintos 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 de 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 investigación para evaluar la detección y clasificación de objetos con poca iluminación.
Del mismo modo, 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 comprendemos mejor los retos que se plantean y la necesidad de disponer de conjuntos de datos, veamos más de cerca cómo los sistemas basados en la visión pueden interpretar los vídeos de tráfico nocturno.
Modelos como YOLO11 y YOLO26 admiten tareas de visión por ordenador 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 un resumen de las tareas de Vision AI que admiten estos modelos para analizar el tráfico nocturno:
Hemos hablado del entrenamiento de los modelos, de la necesidad de conjuntos de datos y de las tareas que realizan modelos como YOLO11 y YOLO26. Pero para ponerlo todo junto, hay un concepto más que repasar: cómo se aplican realmente estos modelos a la vigilancia nocturna.
Los modelos YOLO de Ultralytics están disponibles como versiones preentrenadas, lo que significa que ya han sido entrenados en grandes conjuntos de datos de uso general, como el conjunto de datos COCO, que abarca muchos objetos cotidianos. Esto confiere al modelo una gran capacidad de base para detectar y clasificar objetos.
Sin embargo, dado que estos conjuntos de datos contienen muy pocos ejemplos nocturnos o con poca luz, los modelos preentrenados no son muy eficaces a la hora de gestionar los reflejos, las sombras o los contrastes pobres. Para que resulten útiles en la detección nocturna de vídeos de tráfico, es necesario perfeccionarlos con conjuntos de datos especializados que reflejen las condiciones nocturnas del mundo real.
El perfeccionamiento o entrenamiento personalizado implica entrenar el modelo con imágenes etiquetadas adicionales captadas en condiciones de poca luz, como vehículos bajo el resplandor de los faros, peatones en pasos de peatones o cruces concurridos de noche, para que aprenda las características únicas de las escenas nocturnas.
Una vez entrenado, el modelo puede realizar tareas de detección, seguimiento, segmentación o clasificación con mucha más precisión en condiciones de poca luz. Esto permite a las autoridades de tráfico aplicar estos modelos a casos prácticos como el recuento de vehículos, la estimación de la velocidad, el control adaptativo de señales y la prevención de accidentes nocturnos.
A continuación, veamos cómo puede adoptarse la visión por ordenador en los sistemas de tráfico nocturno del mundo real.
Las intersecciones urbanas son algunas de las zonas más difíciles de gestionar, especialmente por la noche, cuando la visibilidad disminuye y el flujo de tráfico se vuelve menos predecible. Los semáforos tradicionales se basan en temporizadores fijos que no pueden responder a los cambios en tiempo real. Las investigaciones demuestran que esto no sólo hace perder tiempo a los conductores, sino que también provoca un consumo innecesario de combustible y retrasos.
Es precisamente ahí donde los sistemas de visión por ordenador pueden ayudar a superar este reto. Estos sistemas pueden controlar los movimientos de los vehículos y detectar su número en tiempo real. Los datos se introducen en los sistemas adaptativos de control del tráfico. Esto permite que las señales se ajusten rápidamente en respuesta a las condiciones reales de la carretera. Así, si un carril está abarrotado y otro vacío, la temporización de las señales puede ajustarse instantáneamente para eliminar los embotellamientos.
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 control 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, funcionan de forma reactiva y pueden no detectar situaciones peligrosas con suficiente antelación para evitar que se produzcan.
Las soluciones de visión por ordenador pueden resolver este problema analizando secuencias de vídeo en directo y detectando patrones inusuales en la carretera o la autopista. Mediante el seguimiento de objetos, estos sistemas pueden controlar el comportamiento de los vehículos en tiempo real y emitir alertas cuando algo parece anormal.
Por ejemplo, si un vehículo en movimiento cambia de carril, circula demasiado rápido en una zona congestionada o frena de repente, el sistema puede señalarlo en tiempo real. De este modo, las autoridades pueden reaccionar con rapidez y evitar accidentes antes de que se produzcan.
Para los vehículos autónomos y los ADAS, la conducción nocturna plantea sus propios retos. La escasa visibilidad y los patrones de tráfico impredecibles dificultan la fiabilidad de los sensores tradicionales, lo que plantea problemas de seguridad.
La visión por ordenador mejora estos sistemas encargándose 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 el radar o el LiDAR (Light Detection and Ranging), que cartografían el entorno en 3D, la capa visual añadida ayuda a los ADAS a proporcionar alertas tempranas y da 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 accidente de tráfico en todo el mundo, y el riesgo empeora por la noche. La oscuridad hace más difícil que la policía de tráfico detecte las infracciones, ya que los detalles que son claros a la luz del día a menudo se difuminan al oscurecer.
Por eso, infracciones como el exceso de velocidad en carreteras vacías, saltarse semáforos en rojo o desviarse al carril equivocado suelen quedar impunes. La visión por ordenador aborda este problema utilizando cámaras de infrarrojos para detectar infracciones incluso en condiciones de poca luz. Estos sistemas crean zonas de detección donde se registran los incidentes, reduciendo los falsos positivos y proporcionando pruebas claras y verificables. Para las autoridades de transporte, esto significa menos puntos ciegos y menos dependencia de los controles manuales.
Estas son algunas de las ventajas de utilizar Vision AI para la detección de vídeo de tráfico nocturno.
A pesar de sus ventajas, la detección del tráfico nocturno mediante Vision AI también presenta ciertas limitaciones. He aquí algunos factores a tener en cuenta:
A medida que las ciudades crecen y las carreteras se llenan de tráfico, la detección del tráfico nocturno avanza hacia sistemas más inteligentes y reactivos. Por ejemplo, las cámaras térmicas y los sensores infrarrojos pueden detectar las señales de calor de personas y vehículos, lo que permite ver incluso en la más completa oscuridad. Esto reduce los errores que se producen cuando las cámaras estándar tienen problemas con el deslumbramiento o la poca luz.
Otro enfoque en auge es la fusión de cámaras y LiDAR. Las cámaras proporcionan imágenes detalladas de la carretera, mientras que el LiDAR genera un mapa 3D preciso. Utilizados conjuntamente, mejoran la precisión en la detección de carriles, vehículos y obstáculos, sobre todo con poca luz o niebla moderada.
Al mismo tiempo, 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 por ordenador. Con estas mejoras, incluso las carreteras e intersecciones mal iluminadas pueden vigilarse con mayor fiabilidad y menos errores.
Detectar vehículos de noche siempre ha sido un reto para la vigilancia del tráfico, pero la visión por ordenador lo está haciendo más manejable. Al reducir el impacto del deslumbramiento y manejar escenas de tráfico complejas, proporciona una imagen más precisa de cómo se comportan las carreteras al anochecer. A medida que estos sistemas siguen avanzando, allanan el camino hacia un transporte nocturno más seguro, inteligente y eficiente.
¿Está listo para integrar Vision AI en sus proyectos? Únase a nuestra activa comunidad y descubra innovaciones como la IA en el sector de la automoción y Vision AI en robótica. Visite nuestro repositorio GitHub para descubrir más. Para empezar hoy mismo con la visión por computador, consulte nuestras opciones de licencia.
.webp)