Depth Estimation

La estimación de profundidad es un proceso fundamental en la visión artificial que determina la distancia de los objetos a una cámara, añadiendo efectivamente una tercera dimensión a las imágenes 2D. Al calcular la distancia a la que se encuentra cada píxel de una imagen, esta técnica crea un mapa de profundidad, una representación donde la intensidad del píxel corresponde a la distancia. Esta capacidad imita la visión binocular humana, permitiendo que las máquinas perciban las relaciones espaciales y la geometría. Es una tecnología clave para que los sistemas autónomos naveguen con seguridad, comprendan su entorno e interactúen con objetos físicos.

Mecanismos y técnicas fundamentales#

Existen varias formas de lograr la estimación de profundidad, que van desde soluciones basadas en hardware hasta enfoques puramente basados en software mediante inteligencia artificial.

• Sistemas de visión estéreo: Al igual que los ojos humanos, la visión estéreo utiliza dos cámaras colocadas una al lado de la otra. Los algoritmos analizan las ligeras diferencias, o disparidad, entre las imágenes izquierda y derecha para triangular la distancia. Esto depende en gran medida de una coincidencia de características precisa para identificar los mismos puntos en ambos fotogramas.
• Estimación de profundidad monocular: Este método avanzado estima la profundidad a partir de una sola imagen. Dado que una única foto 2D carece de datos de profundidad inherentes, los modelos de aprendizaje profundo se entrenan con vastos conjuntos de datos para reconocer pistas visuales como la perspectiva, el tamaño de los objetos y la oclusión. Las arquitecturas modernas, como las redes neuronales convolucionales (CNNs), destacan en esta tarea, haciendo posible derivar una estructura 3D a partir de cámaras estándar.
• LiDAR y Time-of-Flight (ToF): Los sensores activos como LiDAR (Light Detection and Ranging) y las cámaras Time-of-Flight emiten pulsos de luz y miden el tiempo que tardan en regresar. Estos métodos generan nubes de puntos de gran precisión y se utilizan a menudo para recopilar datos de verdad de terreno (ground truth) para entrenar modelos de aprendizaje automático.

Aplicaciones en el mundo real#

La capacidad de medir distancias es transformadora en muchas industrias, impulsando aplicaciones que requieren conciencia espacial.

• Conducción autónoma: Los vehículos autoconducidos dependen de la estimación de profundidad para detectar obstáculos, medir la distancia a otros vehículos y navegar por redes de carreteras complejas de forma segura. Es fundamental para la detección de objetos 3D con el fin de identificar peatones y ciclistas.
• Robótica y automatización: Los robots utilizan la percepción de profundidad para tareas como la planificación de trayectorias y la manipulación de objetos. Por ejemplo, un robot de almacén necesita saber exactamente a qué distancia está una estantería para recoger un paquete sin chocar con ella.
• Realidad aumentada (RA): Para colocar objetos virtuales de forma convincente en una escena del mundo real, los dispositivos de RA deben comprender la geometría 3D del entorno. La estimación de profundidad garantiza que los personajes virtuales puedan esconderse detrás de muebles reales, un concepto conocido como manejo de la oclusión.

Ejemplo de código: Estimación de profundidad monocular#

Aunque existen modelos de profundidad especializados, a menudo puedes inferir relaciones espaciales utilizando las cajas delimitadoras de detección de objetos como indicador de la distancia en escenarios simples (las cajas más grandes suelen significar objetos más cercanos). Así es como se carga un modelo usando el paquete ultralytics para detectar objetos, lo cual es el primer paso en muchos pipelines conscientes de la profundidad.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Process results
for result in results:
    # Get bounding boxes (xyxy format)
    boxes = result.boxes.xyxy

    # Iterate through detections
    for box in boxes:
        print(f"Detected object at: {box}")

Relación con otros conceptos de visión artificial#

Es importante distinguir la estimación de profundidad de términos relacionados. Mientras que la detección de objetos identifica qué es un objeto y dónde está en el espacio 2D (utilizando una caja delimitadora), la estimación de profundidad identifica a qué distancia se encuentra (eje Z). Del mismo modo, la segmentación semántica clasifica los píxeles en categorías (por ejemplo, carretera, cielo, coche), mientras que la estimación de profundidad asigna un valor de distancia a esos mismos píxeles.

Avances en IA espacial#

El progreso reciente en la IA generativa está acortando la brecha entre la visión 2D y 3D. Técnicas como los campos de radiancia neural (NeRF) utilizan múltiples imágenes 2D para reconstruir escenas 3D complejas, basándose en gran medida en los principios de profundidad subyacentes. Además, a medida que mejoran las técnicas de optimización de modelos, ejecutar una estimación de profundidad de alta precisión en dispositivos de IA de borde es cada vez más viable. Esto permite la computación espacial en tiempo real en hardware tan pequeño como drones o gafas inteligentes, facilitado por plataformas como la Ultralytics Platform para un entrenamiento y despliegue de modelos eficientes.