Uso de un modelo de IA visual para reconocer cartas

Los juegos de cartas se juegan en todas partes, desde partidas informales en casa hasta mesas de casino con apuestas altas. Aunque analizar las cartas durante una partida pueda parecer sencillo, identificar correctamente cada carta puede ser crucial. Incluso los errores más pequeños, como leer mal una carta o contar mal los puntos, pueden afectar a la imparcialidad del juego.

Tradicionalmente, los jugadores y los crupieres gestionan este proceso manualmente, pero la supervisión humana es propensa a errores. Estos errores pueden afectar a la eficiencia y a la experiencia general de los jugadores. La inteligencia artificial (AI) y la visión artificial, una rama de la AI que permite a las máquinas ver e interpretar información visual, pueden ayudar a superar estas limitaciones automatizando la detección y el seguimiento de las cartas.

Los modelos de visión artificial, como Ultralytics YOLO11, admiten diversas tareas de visión, como la detección de objetos y la segmentación de instancias. En los juegos de cartas, estas capacidades de visión pueden ayudar a identificar cada carta sobre la mesa. Esto permite una supervisión fiable y coherente, incluso cuando las cartas se superponen o se mueven rápidamente.

En este artículo analizaremos en profundidad los desafíos de la detección manual de cartas y cómo la visión artificial puede hacer posible una detección precisa.

En qué consiste la detección de cartas#

Antes de analizar los retos de la detección manual de cartas, veamos con más detalle qué significa detectar cartas desde el punto de vista de la visión artificial.

En pocas palabras, la detección de cartas consiste en enseñar a una máquina a reconocer e interpretar cartas, de forma similar a como lo hacen las personas. La cámara captura los detalles visuales, mientras que los modelos de visión artificial basados en redes neuronales, concretamente redes neuronales convolucionales (CNNs), procesan esos datos para entender qué hay sobre la mesa.

Este proceso suele incluir el entrenamiento de un modelo de visión artificial con un conjunto de datos que contiene imágenes de todos los palos y valores, capturadas con diversas condiciones de iluminación, ángulos y fondos. También pueden aplicarse métodos similares a otros juegos de cartas, como Pokémon o los juegos de cartas coleccionables, en los que es esencial reconocer con precisión diseños de cartas únicos. Mediante este proceso de entrenamiento, los modelos de visión aprenden a reconocer las características de las cartas.

Fig. 1. Uso de la visión artificial para detectar cartas. (Fuente)

Una vez entrenado, el modelo puede detectar varias cartas sobre una mesa e identificar su valor y palo. Funciona de forma muy parecida a una persona que observa varias cartas extendidas, pero en este caso los ojos se sustituyen por una cámara y el cerebro por un algoritmo. Estos pasos, en conjunto, permiten reconocer las cartas de forma fiable.

Retos de la detección manual de cartas#

Estas son algunas limitaciones de la detección manual de cartas:

• Error humano: Las personas cometen errores, sobre todo al realizar tareas repetitivas. En los juegos de cartas, esto puede traducirse en confundir un palo, equivocarse de valor o perder la cuenta. Las partidas largas aumentan la probabilidad de cometer errores que afectan al juego.
• Limitaciones de velocidad: La supervisión manual de las cartas lleva tiempo. Quienes observan deben seguir cada jugada y llevar la puntuación a mano, lo que ralentiza el juego de forma natural. Estos retrasos pueden interrumpir el ritmo de la partida y empeorar la experiencia general de los jugadores.
• Uniformidad: La observación varía de una persona a otra. Lo que resulta evidente para una persona puede pasar desapercibido para otra. Esta falta de uniformidad hace que la supervisión manual no sea fiable y afecta a la precisión en las distintas partidas.
• Imparcialidad y transparencia: Es más difícil garantizar un juego limpio sin un sistema imparcial. Los errores o las irregularidades pueden pasar desapercibidos y los jugadores pueden cuestionar los resultados. Esto reduce la confianza y dificulta la resolución de conflictos.
• Escalabilidad: Supervisar una mesa ya es complicado; hacerlo con muchas mesas o partidas a la vez no tarda en volverse inviable.

La visión artificial ayuda a superar estos retos y garantiza una detección de cartas precisa y uniforme. A continuación, veamos cómo se puede utilizar Ultralytics YOLO11 para reconocer cartas.

Cómo utilizar Ultralytics YOLO11 para reconocer cartas#

El entrenamiento de un modelo de aprendizaje profundo como Ultralytics YOLO11 empieza con la creación de grandes conjuntos de datos de imágenes de cartas anotadas. Diseñado para realizar análisis visuales rápidos y precisos, YOLO11 admite tareas clave de visión artificial: la detección de objetos, que localiza objetos en una imagen mediante cuadros delimitadores, y la clasificación de imágenes, que asigna etiquetas según sus características.

Aunque Ultralytics YOLO11 está preentrenado con el conjunto de datos COCO (objetos comunes en contexto), que abarca diversos objetos cotidianos, pero no cartas de juego, este preentrenamiento le proporciona una base sólida para reconocer formas, texturas y patrones. Para especializar el modelo en la detección de cartas de juego, hay que ajustarlo o entrenarlo con datos personalizados utilizando un conjunto de datos específico de cartas.

Este proceso consiste en recopilar imágenes de cartas en distintas condiciones: diferentes ángulos e iluminaciones, e incluso con las cartas superpuestas. Después se etiqueta cada carta: con recuadros delimitadores y etiquetas para la detección de objetos, o con máscaras detalladas a nivel de píxel para la segmentación de instancias. Una vez entrenado y validado con imágenes de prueba, Ultralytics YOLO11 puede detectar y reconocer cartas de juego de forma fiable en situaciones reales.

Fig. 2. Ejemplo de una imagen que se puede anotar para detectar cartas. (Fuente)

Reconocimiento de cartas con diferentes tareas de IA visual#

Hay varias formas de abordar el reconocimiento de cartas y, como Ultralytics YOLO11 admite distintas tareas, se pueden utilizar varios métodos.

Así puedes aplicar Ultralytics YOLO11 de distintas formas para interpretar las cartas que hay sobre una mesa:

• Solo detección de objetos: En este enfoque, se entrena Ultralytics YOLO11 para que cada carta única (por ejemplo, el as de picas o el dos de corazones) se trate como una clase distinta. Así, el modelo puede localizar e identificar todas las cartas en un solo paso. Con suficientes datos de entrenamiento, incluso puede reconocer cartas superpuestas.
• Detección y clasificación: Otro método consiste en dividir la tarea en dos etapas. YOLO11 detecta primero las cartas y dibuja cuadros delimitadores; después, otro modelo YOLO11 determina el palo y el valor mediante la clasificación de imágenes. Este enfoque facilita añadir nuevos tipos de cartas o diseños personalizados sin volver a entrenar el modelo base de detección de objetos. Sin embargo, si las nuevas cartas tienen un aspecto muy distinto, por ejemplo, en tamaño, forma o disposición, puede que también haya que volver a entrenar el modelo de detección para mantener la precisión.
• Seguimiento entre fotogramas: Al analizar una señal de vídeo, la compatibilidad de Ultralytics YOLO11 con el seguimiento de objetos permite seguir las cartas a lo largo de varios fotogramas. Así se evita contar dos veces las cartas que se mueven y se mantiene la precisión en juegos de ritmo rápido.

Estos distintos enfoques permiten que Ultralytics YOLO11 admita aplicaciones en tiempo real, como calcular las puntuaciones en el blackjack, supervisar las partidas y generar análisis. El mejor método depende de las necesidades específicas del juego.

Aplicaciones reales de la detección de cartas#

Ahora que entendemos mejor cómo funciona el uso de un modelo de IA visual para reconocer cartas, veamos dónde tiene repercusión en el mundo real.

Casinos y vigilancia#

Los casinos son entornos de alto riesgo en los que garantizar el juego limpio es fundamental. Sin embargo, siempre existe el riesgo de que se marquen cartas, se hagan cambios ocultos o se repartan de forma irregular. La vigilancia tradicional depende de la supervisión manual, que puede pasar por alto movimientos sutiles durante partidas rápidas.

Ahí es donde puede intervenir la visión artificial. Al integrarla en los sistemas de vigilancia, se pueden seguir automáticamente todas las cartas y las acciones de los jugadores en la mesa. Esto permite detectar fraudes en tiempo real, reduce la dependencia de la supervisión humana y crea un registro fiable de la partida que se puede revisar en caso de conflicto.

Fig. 3. La detección de cartas mediante visión artificial se puede utilizar en casinos. (Fuente)

Mesas de cartas inteligentes#

Durante las partidas en directo, incluso los errores pequeños pueden afectar al desarrollo del juego y generar tensión entre los jugadores. En la mayoría de las configuraciones tradicionales, estas tareas recaen en los crupieres o en los propios jugadores, lo que deja margen para cometer errores. Las mesas de cartas inteligentes, equipadas con cámaras o cámaras web y sistemas de visión artificial, pueden resolver este problema.

La IA visual o un modelo YOLO pueden reconocer las cartas en cuanto se reparten y actualizar automáticamente el estado de la partida. Esto permite actualizar las puntuaciones en tiempo real, señalar irregularidades al instante y automatizar las transacciones cuando sea necesario. El resultado es un juego más fluido y una experiencia coherente para todos los jugadores de la mesa.

Juegos de cartas con RA y RV#

Los juegos de cartas físicos son geniales, pero no siempre ofrecen la interactividad que los jugadores esperan ahora de los formatos digitales. La realidad aumentada (RA) y la realidad virtual (RV) ayudan a superar este problema al añadir nuevas capas de interacción. La RA superpone elementos digitales al mundo físico, por ejemplo, mostrando tutoriales, puntuaciones en directo o sugerencias directamente sobre una mesa real.

Por otro lado, la RV crea un entorno digital totalmente inmersivo en el que todo el juego se desarrolla de forma virtual. Al combinarse con la visión artificial, los sistemas de RA o RV mejoran la experiencia de juego con marcadores en directo, sugerencias de movimientos o modos híbridos inmersivos. La visión artificial lo hace posible al detectar cada carta con precisión y vincularla a funciones interactivas.

Fig. 4. Ejemplo de cómo la RA incorpora funciones virtuales a los juegos de mesa. (Fuente)

Ventajas y limitaciones de la detección de cartas#

Estas son algunas ventajas de utilizar la visión artificial para detectar cartas:

• Detección rápida y precisa: Los modelos de visión artificial pueden reconocer y clasificar cartas en tiempo real, lo que garantiza una supervisión fiable.
• Transparencia: La detección automatizada crea un registro imparcial de la partida que se puede revisar para resolver disputas de forma justa.
• Análisis: Se pueden aprovechar los datos obtenidos mediante soluciones de visión artificial para generar información detallada sobre las partidas y estudiar el comportamiento de los jugadores y las tendencias de rendimiento.

Aunque la visión artificial hace que la detección de cartas sea muy eficaz, es importante tener presentes sus limitaciones. Estos son algunos factores que debes considerar:

• Dependencia de conjuntos de datos de alta calidad: El rendimiento de estos modelos depende en gran medida de la calidad de los datos de entrenamiento utilizados.
• Dificultad con las cartas superpuestas: Si las cartas están apiladas, parcialmente ocultas o inclinadas, puede que un sistema de IA visual tenga más dificultades para identificarlas correctamente.
• Condiciones de iluminación difíciles: Una iluminación irregular, como los reflejos o la poca luminosidad, puede interferir en la detección precisa de cartas.

Conclusiones clave#

La detección de cartas de juego es un ejemplo sencillo, pero interesante, de cómo la visión artificial puede resolver desafíos del mundo real. Con conjuntos de datos bien estructurados, los desarrolladores pueden entrenar modelos para detectar, clasificar y seguir cartas en tiempo real. Es probable que esta tecnología siga avanzando y dé forma a casinos más inteligentes, experiencias inmersivas de AR y VR y nuevas aplicaciones más allá del juego.

¿Quieres aprender sobre IA? Visita nuestro repositorio de GitHub para descubrir más. Únete a nuestra activa comunidad y descubre las innovaciones en sectores como la IA en la logística y la IA visual en la industria automovilística. Para empezar hoy mismo con la visión artificial, consulta nuestras opciones de licencia.