Object Re-identification (Re-ID)

La reidentificación de objetos (Re-ID) es una tarea especializada de visión por computador (CV) diseñada para asociar un objeto o individuo específico entre diferentes vistas de cámaras no superpuestas o a lo largo de periodos 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 narración coherente 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 desafío de la Re-ID es mantener la coherencia de la identidad a pesar de las variaciones en la iluminación, los ángulos de cámara, la pose y la saturación del fondo. Para lograrlo, el sistema suele emplear un flujo de trabajo de varios pasos en el que intervienen 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, conocido habitualmente como embedding. 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 mediante técnicas de aprendizaje métrico. El objetivo es garantizar que los embeddings del mismo objeto estén matemáticamente próximos en el espacio vectorial, mientras que los embeddings de objetos diferentes se alejen entre sí. A menudo se utilizan arquitecturas especializadas, como las redes neuronales siamesas, para aprender estas relaciones.
• Correspondencia por similitud: Durante el despliegue, el sistema compara el embedding de un objeto de consulta con una galería de identidades almacenadas. Esta comparación suele implicar calcular la similitud coseno o la distancia euclídea. Si la puntuación de similitud supera un umbral predefinido, el sistema confirma la coincidencia.

Re-ID frente al seguimiento de objetos#

Es importante distinguir la Re-ID del seguimiento de objetos, ya que desempeñan funciones complementarias, pero distintas, en un flujo de trabajo de visión.

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

Aplicaciones en el mundo real#

La capacidad de mantener la identidad entre vistas inconexas permite realizar análisis avanzados en diversos sectores.

• Gestión inteligente del tráfico urbano: En el contexto de la IA en ciudades inteligentes, la Re-ID permite a los sistemas municipales seguir un vehículo mientras se desplaza por una red urbana de intersecciones. Esto ayuda a calcular los tiempos medios de desplazamiento y optimizar la temporización de los semáforos sin depender exclusivamente del reconocimiento de matrículas.
• Análisis de clientes en comercios minoristas: Los minoristas utilizan la Re-ID para comprender el comportamiento de los compradores. Al vincular las apariciones 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 limitarse a interacciones aisladas.

Implementación del seguimiento con características de Re-ID#

Los flujos de trabajo modernos de IA para visión suelen combinar detectores de alto rendimiento con trackers que utilizan conceptos de Re-ID. El modelo YOLO26 se puede integrar fácilmente con trackers como BoT-SORT, que aprovecha las características de apariencia para mantener la coherencia del seguimiento. Para quienes buscan gestionar sus conjuntos de datos y flujos de trabajo de entrenamiento de forma eficiente, Ultralytics Platform ofrece una interfaz unificada para la anotación y el despliegue.

El siguiente ejemplo muestra cómo realizar el seguimiento de objetos mediante el paquete de Ultralytics para Python, que gestiona automáticamente la persistencia de las identidades:

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 conseguir un rendimiento sólido, el entrenamiento de estos modelos requiere datos de entrenamiento de alta calidad. Durante el entrenamiento de submódulos específicos de Re-ID, suelen emplearse técnicas como la pérdida de tripletes para perfeccionar la capacidad discriminatoria de los embeddings. También es fundamental comprender los matices de la precisión y la exhaustividad al evaluar hasta qué punto un sistema de Re-ID evita las coincidencias falsas.