Pose Estimation

La estimación de la pose es una técnica especializada de computer vision que va más allá de simplemente detectar la presencia de objetos para comprender su estructura geométrica y orientación física. Mientras que la object detection estándar dibuja una caja rectangular simple alrededor de un sujeto, la estimación de la pose identifica puntos semánticos específicos, conocidos como keypoints, tales como articulaciones en un cuerpo humano (codos, rodillas, hombros) o esquinas estructurales en un vehículo. Al mapear estos puntos de referencia, los modelos de machine learning pueden reconstruir una representación esquelética del sujeto, permitiendo que los sistemas interpreten el lenguaje corporal, la dinámica de movimiento y la posición precisa en un espacio 2D o 3D.

Mecanismos centrales: Top-Down frente a Bottom-Up#

La estimación de la pose moderna depende en gran medida de arquitecturas sofisticadas de deep learning, utilizando a menudo Convolutional Neural Networks (CNNs) para procesar datos visuales. Los algoritmos generalmente siguen una de dos estrategias principales para identificar keypoints:

• Enfoques de arriba hacia abajo (Top-Down): Este método emplea primero un modelo de detección de objetos para localizar instancias individuales dentro de bounding boxes. Una vez que una persona u objeto se recorta de la imagen más grande, el estimador de pose predice los keypoints dentro de esa región específica. Este enfoque suele ser muy preciso, pero puede sufrir de una mayor inference latency a medida que aumenta el número de sujetos en el fotograma.
• Enfoques de abajo hacia arriba (Bottom-Up): Por el contrario, esta estrategia detecta todos los keypoints potenciales en toda la imagen simultáneamente (por ejemplo, encontrar cada «rodilla izquierda» en una multitud) y luego utiliza algoritmos de asociación para agruparlos en esqueletos individuales. Este método se prefiere generalmente para real-time inference en escenas concurridas porque el coste computacional se mantiene relativamente constante independientemente de cuántas personas estén presentes.

Los modelos de vanguardia como YOLO26 utilizan arquitecturas avanzadas de extremo a extremo que equilibran estas necesidades, proporcionando una estimación de la pose de alta velocidad adecuada para su implementación en dispositivos de edge AI y plataformas móviles.

Diferenciación de términos relacionados de computer vision#

Es útil diferenciar la estimación de la pose de otras tareas de reconocimiento visual para comprender su valor único en los flujos de trabajo de computer vision:

• Object Detection: Se centra en identificar qué y dónde está un objeto, generando una caja rectangular. Trata al sujeto como un objeto rígido sin comprender su articulación interna.
• Instance Segmentation: Genera una máscara perfecta a nivel de píxel que delinea la forma precisa del objeto. Aunque la segmentación proporciona límites, no identifica explícitamente las articulaciones o los enlaces esqueléticos necesarios para el kinematic analysis.
• Pose Estimation: Se dirige específicamente a la estructura interna, mapeando las conexiones entre puntos de referencia predeterminados (por ejemplo, de la cadera a la rodilla) para analizar la postura y la acción.

Aplicaciones en el mundo real#

La capacidad de digitalizar el movimiento humano y de objetos ha dado lugar a aplicaciones transformadoras en diversas industrias, entrenadas a menudo utilizando herramientas como la Ultralytics Platform para gestionar grandes conjuntos de datos de keypoints anotados.

Atención sanitaria y rehabilitación#

En el campo médico, la AI in healthcare utiliza la estimación de la pose para monitorizar la rehabilitación de los pacientes de forma remota. Al realizar un seguimiento de los ángulos de las articulaciones y el rango de movimiento, los sistemas automatizados pueden garantizar que los pacientes realicen los physical therapy exercises correctamente en casa. Esto reduce el riesgo de una nueva lesión y permite a los clínicos cuantificar el progreso de la recuperación sin necesidad de costosos equipos de laboratorio.

Análisis deportivo#

Los entrenadores y atletas aprovechan las sports analytics para optimizar el rendimiento. Los modelos de estimación de la pose pueden analizar el plano de swing de un golfista, la longitud de zancada de un corredor o la biomecánica de un lanzador sin necesidad de los intrusivos trajes de marcadores utilizados en el motion capture tradicional. Esto proporciona comentarios inmediatos basados en datos para mejorar la técnica y prevenir lesiones por uso excesivo.

Retail y análisis de comportamiento#

En entornos comerciales, los sistemas de AI in retail utilizan la detección de poses para comprender el comportamiento del cliente, como alcanzar productos en estantes altos o permanecer en pasillos específicos. Estos datos ayudan a optimizar la disposición de las tiendas y a mejorar la inventory management al correlacionar las acciones físicas con las decisiones de compra.

Ejemplo de código: Estimación de postura con Ultralytics YOLO26#

Implementar la estimación de la pose es sencillo con los frameworks modernos de Python. El siguiente ejemplo demuestra cómo usar el paquete ultralytics para cargar un modelo preentrenado de YOLO26 (el sucesor de YOLO11) y detectar keypoints humanos en una imagen.

from ultralytics import YOLO

# Load the YOLO26 pose model (nano version for speed)
model = YOLO("yolo26n-pose.pt")

# Perform inference on an image source
# The model identifies bounding boxes and specific keypoints (joints)
results = model("https://ultralytics.com/images/bus.jpg")

# Print the xy coordinates of detected keypoints
print(results[0].keypoints.xy)

# Visualize the skeletal results directly
results[0].show()