Reidentificación de objetos (Re-ID)

La reidentificación de objetos (Re-ID) es una tarea especializada en visión por computadora (CV) diseñada para emparejar un objeto específico o individuo a través de diferentes vistas de cámara no superpuestas o durante períodos prolongados. Mientras que la detección de objetos estándar se centra en reconocer la clase de una entidad —identificando que una imagen contiene una «persona» o un «coche»—, la Re-ID va un paso más allá al determinar qué persona o coche específico es basándose en su apariencia visual. Esta capacidad es esencial para crear una narrativa cohesionada del movimiento en entornos a gran escala donde una sola cámara no puede cubrir toda el área, conectando eficazmente los puntos entre observaciones visuales aisladas.

Cómo funciona la reidentificación

El principal reto de Re-ID es mantener la coherencia de la identidad a pesar de las variaciones en la iluminación, los ángulos de la cámara, la pose y el desorden del fondo. Para lograrlo, el sistema suele emplear un proceso de varios pasos que implica redes neuronales profundas .

• Extracción de características: una vez detectado un objeto, una red neuronal convolucional (CNN) analiza el recorte de la imagen para generar un vector de características, comúnmente conocido como incrustación. Este vector es una representación numérica densa de los rasgos visuales únicos del objeto, como la textura de la ropa o el color del vehículo.
• Aprendizaje métrico: Los modelos subyacentes se entrenan utilizando técnicas de aprendizaje métrico. El objetivo es garantizar que las incrustaciones del mismo objeto estén matemáticamente cerca entre sí en el espacio vectorial, mientras que las incrustaciones de diferentes objetos se separen entre sí. A menudo se utilizan arquitecturas especializadas, como las redes neuronales siamesas, para aprender estas relaciones.
• Comparación de similitudes: durante la implementación, el sistema compara la incrustación de un objeto de consulta con una galería de identidades almacenadas. Esta comparación suele implicar el cálculo de la similitud coseno o la distancia euclidiana. Si la puntuación de similitud supera un umbral predefinido, el sistema confirma una coincidencia.

Re-ID vs. Seguimiento de objetos

Es importante distinguir el Re-ID del seguimiento de objetos, ya que cumplen funciones complementarias pero distintas en un proceso de visión.

• Seguimiento de objetos: este proceso se basa en la continuidad temporal. Algoritmos como el filtro de Kalman predicen la ubicación futura de un objeto en el siguiente fotograma basándose en su velocidad y trayectoria actuales. A menudo utiliza la intersección sobre la unión (IoU) para asociar las detecciones en fotogramas adyacentes.
• Reidentificación: La reidentificación es crucial cuando se rompe la continuidad temporal. Esto ocurre durante la oclusión, cuando un objeto queda oculto detrás de un obstáculo, o cuando un objeto sale del campo de visión de una cámara y entra en otra. La reidentificación restablece la identidad basándose en la apariencia en lugar del historial de ubicación, lo que permite un seguimiento multiobjeto (MOT) robusto.

Aplicaciones en el mundo real

La capacidad de mantener la identidad a través de vistas inconexas permite realizar análisis sofisticados en diversos sectores.

• Gestión del tráfico en ciudades inteligentes: en el contexto de la IA en ciudades inteligentes, Re-ID permite a los sistemas municipales track vehículo mientras se desplaza por una red de intersecciones que abarca toda la ciudad. Esto ayuda a calcular los tiempos medios de desplazamiento y a optimizar la sincronización de los semáforos sin depender únicamente del reconocimiento de matrículas.
• Análisis de clientes minoristas: los minoristas utilizan Re-ID para comprender el comportamiento de los compradores. Al vincular las localizaciones de un cliente en diferentes pasillos, las tiendas pueden generar mapas de calor de las rutas más populares. Esto ayuda a optimizar la distribución de las tiendas y los niveles de personal, proporcionando información sobre todo el recorrido del cliente en lugar de solo interacciones aisladas.

Implementación del seguimiento con funciones de reidentificación

Los flujos de trabajo modernos de visión artificial suelen combinar detectores de alto rendimiento con rastreadores que utilizan conceptos de Re-ID. El modelo YOLO26 se puede integrar a la perfección con rastreadores como BoT-SORT, que aprovecha las características de apariencia para mantener track . Para los usuarios que desean gestionar sus conjuntos de datos y procesos de formación de manera eficiente, Ultralytics ofrece una interfaz unificada para la anotación y el despliegue.

El siguiente ejemplo muestra cómo realizar el seguimiento de objetos utilizando elPython Ultralytics Python , que gestiona la persistencia de la identidad automáticamente:

from ultralytics import YOLO

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

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

Para obtener un rendimiento sólido, el entrenamiento de estos modelos requiere datos de entrenamiento de alta calidad . A menudo se emplean técnicas como la pérdida de tripletes durante el entrenamiento de submódulos Re-ID específicos para refinar el poder discriminatorio de las incrustaciones. Comprender los matices de la precisión y la recuperación también es fundamental a la hora de evaluar la capacidad de un sistema Re-ID para evitar coincidencias falsas.