¿Qué es la estimación de pose y dónde puede utilizarse?

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. Eso es porque, con el tiempo, hemos aprendido de forma natural a interpretar el lenguaje corporal.

A través de la experiencia y la observación, nuestros cerebros se han vuelto muy buenos reconociendo la postura de varios objetos, incluidos los humanos. Gracias a los recientes avances en inteligencia artificial (IA) y computer vision, un campo que permite a las máquinas interpretar información visual del mundo, las máquinas ahora están empezando a aprender y replicar esta capacidad también.

Pose estimation es una tarea de computer vision que ayuda a las máquinas a averiguar la posición y orientación de una persona u objeto observando imágenes o vídeos. Lo hace identificando puntos clave en el cuerpo, como articulaciones y extremidades, para entender cómo alguien, o incluso algo, se está moviendo.

Esta tecnología se está utilizando ampliamente en campos como el fitness, la sanidad y la animación. En entornos de trabajo, por ejemplo, se puede emplear para monitorizar la postura de los empleados y respaldar iniciativas de seguridad y bienestar. Los modelos de computer vision como Ultralytics YOLO11 hacen esto posible estimando posturas humanas en tiempo real.

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

En este artículo, analizaremos más de cerca la estimación de poses y cómo funciona, junto con casos de uso reales donde está marcando la diferencia. ¡Comencemos!

La evolución de la estimación de poses#

La investigación sobre pose estimation comenzó a finales de los años 60 y 70. Con los años, los enfoques hacia esta computer vision task han cambiado de las matemáticas básicas y la geometría a métodos más avanzados impulsados por la inteligencia artificial.

Inicialmente, las técnicas dependían de ángulos de cámara fijos y puntos de referencia conocidos. Más tarde, 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 vídeo, lo que hace que la estimación de poses sea más rápida y precisa que nunca.

A medida que la tecnología mejoró, los investigadores vieron las aplicaciones potenciales de poder supervisar y rastrear las poses de varios objetos, especialmente humanos y animales. La estimación de poses es especialmente importante porque permite a las herramientas de IA entender y medir la postura y el movimiento de formas que antes no eran posibles.

Por ejemplo, permite a los ordenadores reconocer gestos para la interacción manos libres, analiza los movimientos de los atletas para mejorar el rendimiento, impulsa animaciones realistas en videojuegos e incluso apoya la atención sanitaria mediante el seguimiento del progreso de recuperación de los pacientes.

¿En qué se diferencia de otras tareas de computer vision?#

Pose estimation es diferente de otras tareas de computer vision como object detection 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. Instance segmentation da un paso más al delinear la forma precisa de cada objeto a nivel de píxel.

Sin embargo, ambos métodos se preocupan principalmente de qué es el objeto y dónde está; no proporcionan información sobre cómo está posicionado el objeto o qué podría estar haciendo. Ahí es donde la estimación de poses se vuelve crucial.

Al identificar puntos clave en el cuerpo, como codos, rodillas o incluso una cola, la estimación de poses puede interpretar la postura y el movimiento. Esto permite una comprensión más profunda de acciones, gestos y dinámica corporal, incluido el movimiento en el espacio 3D.

Entender cómo funciona la estimación de poses#

Pose estimation models siguen generalmente dos enfoques principales: de abajo arriba (bottom-up) y de arriba abajo (top-down). En el enfoque de abajo arriba, el modelo primero detecta puntos clave individuales, como codos, rodillas u hombros, y luego los agrupa para averiguar a qué persona u objeto pertenecen. En contraste, el enfoque de arriba abajo empieza detectando primero cada objeto (como una persona en la imagen) y luego localiza los puntos clave para ese objeto específico.

Fig 2. Métodos de pose estimation de abajo arriba frente a arriba abajo.

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

Entrenamiento personalizado de Ultralytics YOLO11 para la estimación de poses#

Mientras analizamos cómo funcionan los modelos de estimación de poses, es posible que te preguntes: ¿cómo aprenden realmente estos modelos a estimar la pose de diferentes objetos? Ahí es donde entra en juego la idea del entrenamiento personalizado.

El entrenamiento personalizado consiste en enseñar a un modelo a reconocer puntos clave específicos utilizando tus propios datos. Dado que construir un modelo desde cero requiere una gran cantidad de imágenes etiquetadas y un tiempo considerable, muchas personas optan por el aprendizaje por transferencia. Esto implica comenzar con un modelo que ya ha sido entrenado en un conjunto de datos grande, como el modelo de estimación de poses de Ultralytics YOLO11, que está preentrenado en el COCO-Pose dataset, y luego ajustarlo con tus propios datos para una tarea o caso de uso específico.

Digamos que estás trabajando con posturas de yoga: puedes ajustar Ultralytics YOLO11 utilizando imágenes en las que cada postura esté etiquetada con puntos clave específicos de esa actividad. Para hacer esto, necesitarás un dataset personalizado de imágenes anotadas a partir del cual el modelo pueda aprender.

Durante el entrenamiento, puedes ajustar parámetros como el batch size (el número de imágenes procesadas a la vez), el learning rate (la rapidez con la que el modelo actualiza su aprendizaje) y los epochs (cuántas veces el modelo recorre el dataset) para mejorar la precisión. Esto hace que sea mucho más fácil construir modelos de estimación de poses adaptados a tus necesidades específicas.

Aplicaciones reales de la estimación de poses#

Ahora que hemos hablado de qué es la estimación de poses y cómo funciona, analicemos más de cerca algunos de sus casos de uso reales.

Uso de la estimación de poses para fisioterapia#

La estimación de poses se está convirtiendo gradualmente en una herramienta fiable en el sector sanitario, especialmente en fisioterapia. Mediante el uso de IA y computer vision, estos sistemas pueden realizar un seguimiento de 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 cirugía de rodilla puede usar un sistema de estimación de poses para asegurarse de que está realizando sus ejercicios de rehabilitación correctamente. El sistema puede detectar cualquier movimiento incorrecto y ofrecer sugerencias de mejora, ayudando al paciente a mantenerse en el camino correcto y evitar lesiones.

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

Más allá de la rehabilitación, pose estimation también se está abriendo paso en las fitness apps. Por ejemplo, alguien que hace ejercicio en casa puede usar la aplicación para comprobar su forma durante los ejercicios. La aplicación puede dar comentarios en tiempo real, como ajustar el ángulo de una sentadilla o asegurarse de que tu espalda esté recta durante un peso muerto. Esto ayuda a los usuarios a mejorar su forma y prevenir lesiones sin necesidad de un entrenador.

Captura de movimiento para el entretenimiento habilitada por la estimación de poses#

La estimación de poses 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 rastrearlos con cámaras especiales, lo que podía ser complicado y costoso.

Ahora, con los avances en IA y computer vision, podemos usar cameras y algoritmos habituales para rastrear los movimientos corporales sin necesidad de marcadores, haciendo que el proceso sea más eficiente y preciso, incluso en tiempo real.

Un gran ejemplo de esto es Disney's AR (Augmented Reality) Poser. Esta divertida herramienta te permite hacerte una foto con tu móvil y hacer que un personaje digital copie tu postura en realidad aumentada. Funciona analizando tu postura en la foto y emparejándola con un personaje 3D, creando un selfie de RA divertido y personalizado.

Fig 4. Un personaje de RA imita la postura de una persona usando pose estimation.

Investigación del comportamiento social impulsada por la estimación de poses de animales#

Estudiar el comportamiento de los animales ayuda a los científicos a entender cómo se comunican, encuentran pareja, cuidan a sus crías y viven en grupo. Este conocimiento es vital para proteger la vida silvestre y obtener una comprensión más profunda del mundo natural.

Pose estimation simplifica este proceso tracking animal movimientos y postura mediante imágenes y vídeos, sin necesidad de colocar sensores o etiquetas a los animales. Estos sistemas pueden monitorizar automáticamente sus posturas, ofreciendo información sobre comportamientos como el acicalamiento, el juego o la lucha.

Un ejemplo interesante de esto es el uso de la estimación de poses por parte de los científicos para estudiar el comportamiento de los simios. De hecho, los investigadores han recopilado datasets como OpenApePose, que contiene más de 71.000 imágenes etiquetadas de seis especies de simios.

Fig 5. Pose estimation en simios.

Pros y contras de la estimación de poses#

Aquí tienes algunos de los beneficios clave que la estimación de poses puede aportar a diversos sectores:

• Scalability: Los sistemas de pose estimation se pueden desplegar en una amplia gama de dispositivos, desde smartphones hasta configuraciones de cámaras avanzadas, lo que los hace altamente escalables y accesibles para diferentes casos de uso y entornos.
• Rentable: Dado que la estimación de poses depende de cámaras normales y no requiere costosos sensores o etiquetas, puede ser una solución más rentable para rastrear el movimiento tanto en investigación como en aplicaciones comerciales.
• Supervisión continua: Los sistemas de estimación de poses pueden proporcionar un seguimiento continuo en tiempo real, permitiendo supervisar cambios a lo largo del tiempo, ya sea para el progreso del paciente en rehabilitación o el seguimiento del comportamiento animal en la naturaleza.

Aunque las ventajas de la estimación de poses son claras en diversos campos, también hay algunos desafíos a considerar. Aquí tienes algunas limitaciones clave que debes tener en cuenta:

• Generalización limitada: Muchos modelos entrenados en datasets humanos no se generalizan bien a animales o estructuras corporales poco comunes sin un reentrenamiento en datasets específicos.

• Limitaciones ambientales: El rendimiento puede disminuir con poca luz, desenfoque por movimiento rápido o fondos desordenados.

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

Conclusiones clave#

La estimación de poses ha recorrido un largo camino desde sus inicios, evolucionando desde sistemas que utilizaban marcadores hasta herramientas de gran impacto impulsadas por modelos de aprendizaje profundo como Ultralytics YOLO11. Ya sea mejorando la fisioterapia, potenciando experiencias de RA interactivas o ayudando en la investigación de la vida silvestre, la estimación de poses 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 usos aún más prácticos y lograr que las máquinas entiendan mejor cómo nos movemos nosotros y otros seres vivos.

¿Tienes curiosidad por la IA? Explora nuestro GitHub repository, conecta con our community y consulta our licensing options para impulsar tu proyecto de computer vision. Obtén más información sobre innovaciones como AI in retail y computer vision in the logistics en nuestras páginas de soluciones.