Object Tracking

El seguimiento de objetos es un proceso dinámico en visión artificial (CV) que consiste en identificar entidades específicas en un vídeo y monitorizar su movimiento a través de una secuencia de fotogramas. A diferencia del análisis de imágenes estáticas, que trata cada instantánea de forma aislada, el seguimiento introduce la dimensión temporal. Esto permite a los sistemas de inteligencia artificial (IA) asignar un número de identificación (ID) único a cada elemento detectado —como un coche, una persona o un animal— y mantener esa identidad a medida que el objeto se mueve, cambia de orientación o queda oculto temporalmente. Esta capacidad es la piedra angular de la comprensión de vídeo avanzada, lo que permite a las máquinas analizar comportamientos, calcular trayectorias y obtener información útil a partir de material de archivo bruto.

Link to this sectionCómo funciona el seguimiento de objetos#

Los sistemas de seguimiento modernos suelen utilizar un paradigma de "seguimiento mediante detección". Este flujo de trabajo combina potentes modelos de detección con algoritmos especializados para asociar detecciones a lo largo del tiempo. El proceso sigue normalmente tres etapas principales:

1. Detección: En cada fotograma, un modelo de detección de objetos, como el vanguardista YOLO26, escanea la imagen para localizar objetos de interés. El modelo genera cajas delimitadoras (bounding boxes) que definen la extensión espacial de cada objeto.

2. Predicción de movimiento: Algoritmos como el Filtro de Kalman estiman la posición futura de un objeto basándose en su velocidad y trayectoria actuales. Esta predicción reduce el espacio de búsqueda para el siguiente fotograma, lo que hace que el sistema sea más eficiente.

3. Asociación de datos: El sistema compara las nuevas detecciones con los seguimientos existentes utilizando métodos de optimización como el algoritmo húngaro. Este paso suele basarse en métricas como la Intersección sobre la Unión (IoU) para medir cuánto se solapa una caja predicha con una nueva detección. Los rastreadores avanzados también pueden utilizar la extracción de características visuales para reidentificar objetos que parecen similares.

Link to this sectionSeguimiento de objetos frente a detección de objetos#

Aunque estos términos están estrechamente relacionados, cumplen funciones distintas dentro del proceso de aprendizaje automático (ML).

• Detección de objetos responde a la pregunta: "¿Qué hay en esta imagen y dónde?". Es apátrida (stateless), lo que significa que no tiene memoria de fotogramas anteriores. Si un coche circula por un vídeo, un detector ve un "coche" en el fotograma 1 y un "coche" en el fotograma 2, pero no sabe que son el mismo vehículo.
• Seguimiento de objetos responde a la pregunta: "¿A dónde va este objeto específico?". Tiene estado (stateful). Conecta el "coche" del fotograma 1 con el "coche" del fotograma 2, permitiendo al sistema registrar que el "ID de coche n.º 42" se mueve de izquierda a derecha. Esto es esencial para tareas como el modelado predictivo y el conteo.

Link to this sectionAplicaciones en el mundo real#

La capacidad de mantener la identidad de los objetos permite aplicaciones complejas de inferencia en tiempo real en diversos sectores.

• Sistemas de transporte inteligentes: El seguimiento es vital para que los vehículos autónomos naveguen con seguridad. Al seguir a peatones y otros vehículos, los coches pueden predecir posibles colisiones. Además, los ingenieros de tráfico utilizan estos sistemas para la estimación de velocidad con el fin de aplicar normas de seguridad y optimizar el flujo de tráfico.
• Análisis minorista: Las tiendas físicas utilizan IA en el comercio minorista para comprender el comportamiento del cliente. El seguimiento permite a los gerentes de tienda realizar conteo de objetos para medir el tráfico peatonal, analizar los tiempos de permanencia frente a los expositores mediante mapas de calor y optimizar la gestión de colas para reducir los tiempos de espera.
• Análisis deportivo: En el deporte profesional, los entrenadores utilizan el seguimiento combinado con la estimación de pose para analizar la biomecánica de los jugadores y las formaciones de equipo. Estos datos proporcionan una ventaja competitiva al revelar patrones invisibles al ojo humano.

Link to this sectionImplementación del seguimiento con Python#

Ultralytics facilita la implementación de un seguimiento de alto rendimiento. El modo track de la biblioteca gestiona automáticamente la detección, la predicción de movimiento y la asignación de ID. El siguiente ejemplo muestra cómo utilizar el modelo YOLO26 compatible con la Plataforma Ultralytics para realizar el seguimiento de objetos en un vídeo.

from ultralytics import YOLO

# Load the official YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video file or webcam (source=0)
# 'show=True' displays the video with bounding boxes and unique IDs
results = model.track(source="https://ultralytics.com/images/bus.jpg", show=True)

# Access the unique tracking IDs from the results
if results[0].boxes.id is not None:
    print(f"Detected Track IDs: {results[0].boxes.id.cpu().numpy()}")

Link to this sectionConceptos relacionados#

Para entender completamente el ecosistema del seguimiento, resulta útil explorar la segmentación de instancias, que sigue los contornos precisos a nivel de píxel de un objeto en lugar de solo un cuadro. Además, los desafíos de seguimiento de múltiples objetos (MOT) a menudo implican puntos de referencia ampliamente utilizados como MOTChallenge para evaluar qué tan bien manejan los algoritmos las escenas concurridas y las oclusiones. Para el despliegue en entornos de producción, los desarrolladores suelen utilizar herramientas como NVIDIA DeepStream o OpenCV para integrar estos modelos en canalizaciones eficientes.