¿Qué es la estimación de poses y dónde se puede utilizar?

Cuando ves a alguien encorvado o erguido con los hombros hacia atrás, queda claro de inmediato si tiene una postura deficiente o segura. Nadie tiene que explicártelo. Esto se debe a que, con el tiempo, hemos aprendido de forma natural a interpretar el lenguaje corporal.

A través de la experiencia y la observación, nuestro cerebro ha desarrollado una gran capacidad para reconocer la postura de diversos objetos, incluidos los seres humanos. Gracias a los avances recientes en inteligencia artificial (AI) y visión por ordenador, un campo que permite a las máquinas interpretar la información visual del mundo, las máquinas también están empezando a aprender y reproducir esta capacidad.

La estimación de la pose es una tarea de visión por ordenador que ayuda a las máquinas a determinar la posición y la orientación de una persona u objeto mediante el análisis de imágenes o vídeos. Para ello, identifica puntos clave del cuerpo, como articulaciones y extremidades, con el fin de comprender cómo se mueve una persona o incluso un objeto.

Esta tecnología se utiliza ampliamente en ámbitos como el fitness, la sanidad y la animación. Por ejemplo, en entornos laborales puede utilizarse para supervisar la postura de los empleados y respaldar iniciativas de seguridad y bienestar. Los modelos de visión por ordenador, como Ultralytics YOLO11, lo hacen posible al estimar poses humanas en tiempo real.

Fig 1. Un ejemplo del uso de Ultralytics YOLO11 para supervisar la postura de los trabajadores.

En este artículo analizaremos con más detalle la estimación de la pose y su funcionamiento, además de casos de uso reales en los que está marcando la diferencia. ¡Empecemos!

La evolución de la estimación de la pose#

La investigación sobre la estimación de la pose comenzó a finales de los años 60 y durante los 70. Con el paso de los años, los enfoques aplicados a esta tarea de visión por ordenador han pasado de las matemáticas y la geometría básicas a métodos más avanzados impulsados por la inteligencia artificial.

Al principio, las técnicas dependían de ángulos de cámara fijos y puntos de referencia conocidos. Más adelante, evolucionaron para incluir modelos 3D y coincidencia de características. Hoy en día, los modelos de aprendizaje profundo como Ultralytics YOLO11 pueden detectar posiciones corporales en tiempo real a partir de imágenes o vídeos, lo que hace que la estimación de la pose sea más rápida y precisa que nunca.

A medida que mejoraba la tecnología, los investigadores descubrieron las posibles aplicaciones de supervisar y seguir las poses de diversos objetos, especialmente de seres humanos y animales. La estimación de la pose es especialmente importante porque permite a las herramientas de AI comprender y medir la postura y el movimiento de formas que antes no eran posibles.

Por ejemplo, permite a los ordenadores reconocer gestos para interactuar sin usar las manos, analiza los movimientos de los atletas para mejorar su rendimiento, hace posibles animaciones realistas en videojuegos e incluso contribuye a la sanidad mediante el seguimiento de la recuperación de los pacientes.

¿En qué se diferencia de otras tareas de visión por ordenador?#

La estimación de la pose se diferencia de otras tareas de visión por ordenador, como la detección de objetos y la segmentación de instancias. Estas tareas se centran principalmente en identificar y localizar objetos dentro de una imagen.

La detección de objetos, por ejemplo, dibuja cuadros delimitadores alrededor de elementos como personas, vehículos o animales para indicar su presencia y posición. La segmentación de instancias va un paso más allá al delimitar la forma precisa de cada objeto a nivel de píxel.

Sin embargo, ambos métodos se ocupan principalmente de qué es el objeto y dónde está; no proporcionan información sobre cómo está colocado ni sobre lo que podría estar haciendo. Ahí es donde la estimación de la pose se vuelve crucial.

Al identificar puntos clave del cuerpo, como codos, rodillas o incluso una cola, la estimación de la pose puede interpretar la postura y el movimiento. Esto permite comprender mejor las acciones, los gestos y la dinámica corporal, incluido el movimiento en el espacio 3D.

Cómo funciona la estimación de la pose#

Los modelos de estimación de la pose suelen seguir dos enfoques principales: de abajo arriba y de arriba abajo. En el enfoque de abajo arriba, el modelo detecta primero puntos clave individuales, como codos, rodillas u hombros, y después los agrupa para determinar a qué persona u objeto pertenecen. En cambio, el enfoque de arriba abajo comienza detectando cada objeto (por ejemplo, una persona en la imagen) y, a continuación, localiza los puntos clave de ese objeto concreto.

Fig 2. Métodos de estimación de la pose de abajo arriba frente a de arriba abajo.

Algunos modelos más recientes, como Ultralytics YOLO11, combinan las ventajas de ambos enfoques. Mantienen la eficiencia del método de abajo arriba al omitir el paso de agrupación manual y, al mismo tiempo, aprovechan la precisión de los sistemas de arriba abajo al detectar personas y estimar sus poses a la vez, en un único proceso optimizado.

Entrenamiento personalizado de Ultralytics YOLO11 para la estimación de la pose#

Mientras repasamos cómo funcionan los modelos de estimación de la pose, quizá te preguntes: ¿cómo aprenden realmente estos modelos a estimar la pose de distintos objetos? Ahí es donde entra en juego el entrenamiento personalizado.

El entrenamiento personalizado consiste en enseñar a un modelo a reconocer puntos clave específicos utilizando tus propios datos. Como crear un modelo desde cero requiere una gran cantidad de imágenes etiquetadas y mucho tiempo, muchas personas optan por el aprendizaje por transferencia. Esto implica comenzar con un modelo que ya se ha entrenado con un conjunto de datos grande, como el modelo de estimación de la pose Ultralytics YOLO11, preentrenado con el conjunto de datos COCO-Pose, y después ajustarlo con tus propios datos para una tarea o caso de uso concreto.

Supongamos que trabajas con poses de yoga: puedes ajustar Ultralytics YOLO11 con imágenes en las que cada pose esté etiquetada con puntos clave específicos de esa actividad. Para ello, necesitarás un conjunto de datos personalizado de imágenes anotadas de las que el modelo pueda aprender.

Durante el entrenamiento, puedes ajustar parámetros como el tamaño del lote (el número de imágenes procesadas a la vez), la tasa de aprendizaje (la rapidez con la que el modelo actualiza lo aprendido) y las épocas (el número de veces que el modelo recorre el conjunto de datos) para mejorar la precisión. Esto facilita mucho la creación de modelos de estimación de la pose adaptados a tus necesidades específicas.

Aplicaciones reales de la estimación de la pose#

Ahora que hemos hablado de qué es la estimación de la pose y cómo funciona, veamos con más detalle algunos de sus casos de uso reales.

Uso de la estimación de la pose en fisioterapia#

La estimación de la pose se está convirtiendo gradualmente en una herramienta fiable en el sector sanitario, especialmente en la fisioterapia. Mediante AI y visión por ordenador, estos sistemas pueden seguir la postura y los movimientos en tiempo real y proporcionar comentarios, de forma similar a lo que ofrecería un fisioterapeuta.

Por ejemplo, un paciente que se recupera de una operación de rodilla puede utilizar un sistema de estimación de la pose para asegurarse de que realiza correctamente los ejercicios de rehabilitación. El sistema puede detectar cualquier movimiento incorrecto y ofrecer sugerencias para mejorarlo, ayudando al paciente a seguir el plan y evitar lesiones.

Fig 3. Un ejemplo del uso de Ultralytics YOLO11 para fisioterapia.

Más allá de la rehabilitación, la estimación de la pose también está llegando a las aplicaciones de fitness. Por ejemplo, alguien que entrena en casa puede utilizar la aplicación para comprobar su técnica durante los ejercicios. La aplicación puede ofrecer comentarios en tiempo real, como ajustar el ángulo de una sentadilla o asegurarse de mantener la espalda recta durante un peso muerto. Esto ayuda a los usuarios a mejorar su técnica y prevenir lesiones sin necesidad de un entrenador.

Captura de movimiento para el entretenimiento mediante la estimación de la pose#

La estimación de la pose ha cambiado la forma en que funciona la captura de movimiento en el entretenimiento, haciéndola más sencilla y accesible. En el pasado, la captura de movimiento requería colocar marcadores en el cuerpo de una persona y seguirlos con cámaras especiales, lo que podía resultar complicado y caro.

Ahora, gracias a los avances en AI y visión por ordenador, podemos utilizar cámaras convencionales y algoritmos para seguir los movimientos corporales sin necesidad de marcadores, haciendo que el proceso sea más eficiente y preciso, incluso en tiempo real.

Un ejemplo destacado es Disney's AR (Realidad aumentada) Poser. Esta divertida herramienta te permite hacerte una foto con el móvil y conseguir que un personaje digital imite tu pose en realidad aumentada. Funciona analizando tu pose en la imagen y adaptándola a un personaje 3D para crear un selfie AR divertido y personalizado.

Fig 4. Un personaje AR imita la pose de una persona mediante la estimación de la pose.

Investigación del comportamiento social mediante la estimación de la pose de animales#

El estudio del comportamiento animal ayuda a los científicos a comprender cómo se comunican los animales, encuentran pareja, cuidan de sus crías y viven en grupo. Este conocimiento es vital para proteger la fauna y obtener una comprensión más profunda del mundo natural.

La estimación de la pose simplifica este proceso al seguir los movimientos de los animales y su postura mediante imágenes y vídeos, sin colocar sensores ni etiquetas en los animales. Estos sistemas pueden supervisar automáticamente sus poses y proporcionar información sobre comportamientos como acicalarse, jugar o pelearse.

Un ejemplo interesante es el uso de la estimación de la pose por parte de científicos para estudiar el comportamiento de los simios. De hecho, los investigadores han recopilado conjuntos de datos como OpenApePose, que contiene más de 71 000 imágenes etiquetadas de seis especies de simios.

Fig 5. Estimación de la pose de simios.

Ventajas e inconvenientes de la estimación de la pose#

Estas son algunas de las principales ventajas que la estimación de la pose puede aportar a diversos sectores:

• Escalabilidad: Los sistemas de estimación de la pose pueden implementarse en una amplia variedad de dispositivos, desde smartphones hasta configuraciones avanzadas de cámaras, lo que los hace muy escalables y accesibles para distintos casos de uso y entornos.
• Rentabilidad: Como la estimación de la pose se basa en cámaras convencionales y no requiere sensores ni etiquetas caras, puede ser una solución más rentable para seguir movimientos tanto en aplicaciones de investigación como comerciales.
• Supervisión continua: Los sistemas de estimación de la pose pueden proporcionar un seguimiento continuo en tiempo real, lo que permite supervisar los cambios a lo largo del tiempo, ya sea el progreso de un paciente durante la rehabilitación o el comportamiento de animales en libertad.

Aunque las ventajas de la estimación de la pose son evidentes en diversos ámbitos, también hay algunos retos que deben tenerse en cuenta. Estas son algunas limitaciones importantes:

• Generalización limitada: Muchos modelos entrenados con conjuntos de datos humanos no se generalizan bien a animales o estructuras corporales poco habituales sin volver a entrenarse con conjuntos de datos específicos.

• Limitaciones ambientales: El rendimiento puede degradarse con una iluminación deficiente, un desenfoque de movimiento rápido o fondos desordenados.

• Alta sensibilidad a la oclusión: La precisión puede disminuir cuando partes del cuerpo quedan bloqueadas o fuera del encuadre, especialmente en escenas multitudinarias o durante el seguimiento de varias personas.

Conclusiones clave#

La estimación de la pose ha avanzado mucho desde sus inicios y ha evolucionado desde sistemas que utilizaban marcadores hasta herramientas de gran impacto impulsadas por modelos de aprendizaje profundo como Ultralytics YOLO11. Ya sea para mejorar la fisioterapia, impulsar experiencias interactivas de AR o contribuir a la investigación de la fauna, la estimación de la pose está cambiando la forma en que las máquinas comprenden el movimiento y la postura. A medida que la tecnología siga avanzando, abordar sus limitaciones será clave para desbloquear aún más usos prácticos y lograr que las máquinas comprendan mejor cómo nos movemos nosotros y otros seres vivos.

¿Te interesa la AI? Explora nuestro repositorio de GitHub, conecta con nuestra comunidad y consulta nuestras opciones de licencia para poner en marcha tu proyecto de visión por ordenador. Descubre más sobre innovaciones como la AI en el comercio minorista y la visión por ordenador en el sector de la logística en nuestras páginas de soluciones.