Object Tracking

El seguimiento de objetos es un proceso dinámico en visión por ordenador (CV) que consiste en identificar entidades específicas en un vídeo y supervisar 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 del tiempo. Esto permite que los sistemas de inteligencia artificial (IA) asignen un número de identificación (ID) único a cada elemento detectado —como un coche, una persona o un animal— y mantengan dicha identidad a medida que el objeto se mueve, cambia de orientación o queda temporalmente oculto. Esta capacidad es la piedra angular de la comprensión de vídeo avanzada, ya que permite a las máquinas analizar el comportamiento, calcular trayectorias y obtener información útil a partir de material bruto.

Cómo 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 los objetos de interés. El modelo genera cajas delimitadoras 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 empareja las nuevas detecciones con los seguimientos existentes mediante métodos de optimización como el algoritmo húngaro. Este paso suele depender de métricas como la intersección sobre unión (IoU) para medir cuánto se solapa una caja predicha con una nueva detección. Los seguidores avanzados también pueden utilizar la extracción de características visuales para reidentificar objetos que parecen similares.

Seguimiento de objetos frente a detección de objetos#

Aunque estos términos están estrechamente relacionados, cumplen funciones distintas dentro del flujo de trabajo 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.
• El seguimiento de objetos responde a la pregunta: «¿A dónde va este objeto específico?». Tiene estado. Conecta el «coche» del fotograma 1 con el «coche» del fotograma 2, lo que permite al sistema registrar que el «coche con ID n.º 42» se mueve de izquierda a derecha. Esto es fundamental para tareas como la modelización predictiva y el recuento.

Aplicaciones en el mundo real#

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

• Sistemas de transporte inteligente: El seguimiento es vital para que los vehículos autónomos circulen con seguridad. Al seguir a los peatones y a otros vehículos, los coches pueden predecir posibles colisiones. Además, los ingenieros de tráfico utilizan estos sistemas para la estimación de la velocidad con el fin de hacer cumplir las normas de seguridad y optimizar el flujo de tráfico.
• Analítica minorista: Las tiendas físicas utilizan la IA en el comercio minorista para comprender el comportamiento de los clientes. El seguimiento permite a los gerentes de las tiendas realizar recuentos de objetos para medir el tráfico a pie, 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 posturas para analizar la biomecánica de los jugadores y las formaciones de los equipos. Estos datos proporcionan una ventaja competitiva al revelar patrones que resultan invisibles a simple vista.

Implementación del seguimiento con Python#

Ultralytics facilita la implementación de un seguimiento de alto rendimiento. El modo track de la librería gestiona automáticamente la detección, la predicción de movimiento y la asignación de ID. El siguiente ejemplo muestra cómo utilizar el modelo YOLO26 compatible con Ultralytics Platform para seguir 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()}")

Conceptos relacionados#

Para comprender a fondo el ecosistema del seguimiento, resulta útil explorar la segmentación de instancias, que rastrea los contornos precisos a nivel de píxel de un objeto en lugar de limitarse a una caja. Además, los retos de seguimiento de múltiples objetos (MOT) suelen implicar puntos de referencia muy utilizados como MOTChallenge para evaluar cómo 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 flujos de trabajo eficientes.