Seguimiento de objetos
Descubra el seguimiento de objetos con Ultralytics Aprenda a track el movimiento, el comportamiento y las interacciones en vídeo utilizando modelos YOLO para aplicaciones en tiempo real.
El seguimiento de objetos es una tarea
visión por ordenador (CV) que consiste en identificar
entidades específicas dentro de una secuencia de vídeo y controlar su movimiento a lo largo de fotogramas consecutivos. A diferencia del análisis
estático, este proceso introduce una dimensión temporal que permite a los sistemas mantener una identidad única para cada
elemento detectado a medida que recorre la escena. Al asignar un número de identificación (ID) persistente a cada entidad,
los modelos de inteligencia artificial (IA) pueden
analizar trayectorias, calcular velocidades y comprender interacciones a lo largo del tiempo. Esta capacidad es esencial para
transformar los datos de vídeo sin procesar en información práctica, lo que constituye la base de los sistemas de
sistemas avanzados de comprensión de vídeo.
Mecanismos básicos de seguimiento
Los sistemas de rastreo modernos suelen funcionar con un paradigma de "rastreo por detección". Este flujo de trabajo comienza
con un modelo de detección de objetos, como el
de última generación YOLO11que localiza objetos en cada
fotograma individual. Una vez detectados y localizados los objetos con
con cuadros delimitadores, el algoritmo de seguimiento
asociar estas detecciones con las pistas existentes en fotogramas anteriores.
El proceso suele constar de tres pasos fundamentales:
-
Predicción del movimiento: Algoritmos como el
Filtro de Kalman (KF) utilizan la ubicación y la velocidad pasadas del objeto para estimar dónde aparecerá probablemente en el siguiente fotograma.
del objeto para estimar dónde aparecerá en el siguiente fotograma. Esta predicción reduce el área de
de búsqueda, mejorando significativamente la eficiencia computacional.
-
Asociación de datos: El sistema empareja los objetos recién detectados con las pistas existentes utilizando métodos de optimización
de optimización, como el algoritmo húngaro. Este paso
se basa en métricas como
Intersección sobre Unión (IoU) para
solapamiento espacial o similitudes de características visuales.
-
Mantenimiento de la identidad: Rastreadores sofisticados, como
ByteTrack y
BoT-SORT, manejan escenarios complejos en los que
objetos se cruzan o se ocultan temporalmente tras obstáculos (oclusión). Mediante la utilización de
extracción de características y el aprendizaje profundo
embeddings, el sistema puede reidentificar un objeto incluso después de que reaparezca, evitando el "cambio de ID".
Seguimiento de objetos vs. Detección de objetos
Aunque estos términos se mencionan a menudo juntos, tienen propósitos distintos en el
aprendizaje automático.
-
La detección de objetos responde a la pregunta: "¿Qué hay en esta imagen y dónde?". En
trata cada fotograma como un evento independiente, emitiendo etiquetas de clase y
y puntuaciones de confianza sin recordar el pasado.
-
El seguimiento de objetos responde a la pregunta: "¿Hacia dónde se dirige este objeto concreto?". Conecta detecciones
a través del tiempo, lo que permite al sistema reconocer que un coche en el fotograma 10 es el mismo vehículo que el del fotograma 100.
Esta distinción es vital para las aplicaciones que requieren
modelado predictivo del comportamiento.
Aplicaciones en el mundo real
La capacidad de seguir objetos de forma fiable está transformando diversos sectores al permitir
la inferencia en tiempo real en entornos dinámicos.
-
Sistemas inteligentes de transporte: En el ámbito de los
vehículos autónomos, el seguimiento
no es negociable. Los coches autónomos deben track peatones, ciclistas y otros vehículos para predecir su posición futura y evitar colisiones.
y evitar colisiones. Esto implica a menudo fusionar datos de cámaras y
LiDAR para mantener la precisión en distintas condiciones meteorológicas.
-
Análisis del comercio minorista: Las tiendas físicas utilizan
la IA en el comercio minorista para trazar el recorrido del cliente. Mediante el seguimiento de
los patrones de movimiento, los minoristas pueden generar mapas de calor de los pasillos más populares, analizar los tiempos de permanencia y optimizar la distribución de la tienda.
tienda. Estos datos ayudan a
gestión de colas y la colocación del inventario.
-
Análisis deportivo: Los equipos profesionales aprovechan el seguimiento para analizar el rendimiento de los jugadores. Combinando el
con la estimación de la postura, los entrenadores pueden evaluar
biomecánica, la velocidad y las formaciones del equipo, proporcionando una ventaja competitiva a través de una estrategia basada en datos.
Seguimiento con Python
Implementar un seguimiento de alto rendimiento es sencillo con el ultralytics paquete. El siguiente
ejemplo muestra cómo cargar un paquete
Modelo YOLO11
y track objetos en un archivo de vídeo. El sitio track gestiona automáticamente la detección y la asignación de ID.
from ultralytics import YOLO
# Load the official YOLO11 nano model
model = YOLO("yolo11n.pt")
# Track objects in a video source (use '0' for webcam)
# The 'show=True' argument visualizes the tracking IDs in real-time
results = model.track(source="https://supervision.roboflow.com/assets/", show=True)
# Print the unique IDs detected in the first frame
if results[0].boxes.id is not None:
print(f"Tracked IDs: {results[0].boxes.id.cpu().numpy()}")
Conceptos Relacionados
Para comprender plenamente los matices del seguimiento, es útil entender
seguimiento de múltiples objetos (MOT), que
se centra específicamente en el seguimiento simultáneo de varios objetivos en escenas abarrotadas. Además, el seguimiento suele combinarse
a menudo se combina con la segmentación track
para rastrear contornos precisos de objetos en lugar de simples cuadros delimitadores.
o la manipulación robótica.
