Detección, segmentación y pose estimation

Contenido del curso

Introducción y Visión General de SecureVision AI

Procesamiento de Imágenes y Fundamentos de OpenCV

Segmentación de Imágenes con YOLO

Detección de Objetos con YOLO

Pose Estimation con Mediapipe

Entrenamiento y Creación de Modelos Personalizados con YOLO

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:001:47

Detección, segmentación y pose estimation

Curso de Visión Artificial con Python

Clase 2 de 16

Clase 2 / 16

Comentarios (6)6 comentarios

Franco Alessandro Sanchez Trinidad

Hace 2 años

Procesamiento: Técnicas que permiten modificar o transformar las imágenes. Detección: Localizar un objeto en la imagen. Segmentación: Delimitar los bordes de la imagen de interés. Análisis de poses y comportamientos: Encontrar los ángulos de las diferentes partes del cuerpo en una imagen o un video.

Percy Tejada

Hace un año

La visión por computadora impulsa un análisis visual más profundo, transformando industrias como seguridad y manufactura. Securi Vision AI lidera esta transformación basado en tres pilares:

Procesamiento y detección de objetos: Mejora imágenes y localiza objetos específicos.
Segmentación: Delimita bordes reales de objetos para análisis más precisos.
Análisis de poses: Rastrea movimientos humanos para aplicaciones de seguridad y deporte.

Consideraciones clave: duración de videos, resolución, elección entre GPU o CPU, y entre procesamiento diferido o en tiempo real según necesidades de negocio.

Aplicaciones reales: inventarios automáticos, control de calidad, ergonomía laboral y análisis deportivo.

La visión por computadora abre nuevas posibilidades al automatizar procesos y descubrir patrones invisibles al ojo humano.

Juan David Jiménez López

Hace 2 años

wow qué espectacular

RICARDO CASTRILLON RAMIREZ

Hace un año

Me parece muy interesante las aplicaciones médicas, detección de enfermedades y procesamiento de imagenes

Juan R. Vergara M.

Hace 2 años

🤯

IVAN CARAPIA BARAJAS

Hace 8 meses

Recursos

La visión por computadora está cambiando la forma en que las empresas analizan imágenes y video, y entender sus tres pilares te ayuda a decidir cuándo y cómo aplicarla. Si trabajas en proyectos de computer vision, automatización visual o análisis de video, esta guía te muestra qué hace cada técnica y qué considerar antes de implementarla.

En Secure Vision AI, el trabajo se organiza en tres frentes: procesamiento y detección de objetos, segmentación, y análisis de poses y comportamiento. Cada uno responde a una necesidad distinta y tiene implicaciones técnicas que vale la pena conocer.

¿Qué es la detección de objetos en imágenes y video?

El primer pilar combina dos ideas que conviene separar. El procesamiento agrupa las técnicas que modifican y transforman una imagen, mientras que la detección localiza un objeto dentro de ella, lo encierra en un rectángulo conocido como bounding box y le asigna una etiqueta [0:25].

En un mismo cuadro, un modelo puede identificar varios elementos a la vez: una persona, un teddy bear, un libro o una taza. Esa capacidad de etiquetar múltiples objetos en simultáneo es lo que hace que la detección sea útil en escenarios como videovigilancia, retail o control de inventarios.

¿Qué es un bounding box? Es el rectángulo que el modelo dibuja alrededor de un objeto detectado para indicar dónde está y qué etiqueta le corresponde.

¿En qué se diferencia la segmentación de la detección?

La segmentación va un paso más allá del bounding box. En lugar de encerrar el objeto en un rectángulo, delimita sus bordes reales con precisión, separando exactamente los píxeles que pertenecen a la persona, al libro o a la taza [0:55].

Esa precisión importa cuando necesitas medir áreas, recortar objetos con exactitud o trabajar con formas irregulares. Si la detección te dice dónde está, la segmentación te dice qué forma tiene.

¿Cuándo conviene segmentar en vez de detectar?

Cuando el caso de uso exige conocer el contorno exacto del objeto. Por ejemplo, si quieres aislar una persona del fondo, calcular el área que ocupa un producto o aplicar efectos visuales sobre una región específica, la segmentación es la herramienta adecuada.

¿Cómo funciona el análisis de poses y comportamiento?

El tercer pilar es el pose estimation, una técnica que encuentra los ángulos y la posición de distintas partes del cuerpo dentro de una imagen o un video [1:15]. Con esa información puedes interpretar postura, movimiento y, por extensión, comportamiento.

Esto abre puertas a aplicaciones en deporte, salud, seguridad laboral o análisis de clientes en un espacio físico. No solo importa qué hay en el video, sino qué está haciendo la persona dentro de él.

¿Qué es pose estimation? Es la técnica de visión por computadora que detecta puntos clave del cuerpo y calcula sus ángulos para entender la postura o el movimiento.

¿Necesito GPU o me alcanza con CPU para computer vision?

La decisión técnica más importante en un proyecto de computer vision depende de dos variables: la duración del video y la resolución de las imágenes [1:30]. A mayor volumen de datos, mayor el costo de cómputo.

Aquí entra la pregunta clave del negocio:

Si necesitas resultados en tiempo real, conviene conectar la cámara directamente al sistema y usar una GPU para paralelizar el procesamiento.
Si puedes esperar, una alternativa es grabar el video durante el día y procesarlo de noche en un equipo convencional con CPU.
La elección no es solo técnica, también es económica: una GPU agiliza, pero encarece la infraestructura.

Esa decisión define el tipo de arquitectura que vas a montar y el presupuesto que vas a destinar.

¿Cuándo uso GPU en visión por computadora? Cuando el caso de uso exige procesamiento en tiempo real o trabajas con videos largos y de alta resolución que requieren paralelización.

¿Cómo se aplican estas técnicas en proyectos reales?

En Secure Vision AI, detección, segmentación y pose estimation se combinan según el problema del cliente. Algunos casos demandan respuesta inmediata desde la cámara; otros aceptan procesamiento diferido en un servidor convencional. La elección del pilar y de la infraestructura siempre responde a la pregunta de negocio que estás intentando resolver.

¿Cuál de estos tres pilares se ajusta mejor a tu próximo proyecto? Cuéntame en los comentarios qué problema quieres resolver con visión por computadora.

Resumen

¿Qué es la detección de objetos en imágenes y video?

¿Qué es un bounding box? Es el rectángulo que el modelo dibuja alrededor de un objeto detectado para indicar dónde está y qué etiqueta le corresponde.

¿En qué se diferencia la segmentación de la detección?

¿Cuándo conviene segmentar en vez de detectar?

¿Cómo funciona el análisis de poses y comportamiento?

¿Qué es pose estimation? Es la técnica de visión por computadora que detecta puntos clave del cuerpo y calcula sus ángulos para entender la postura o el movimiento.

¿Necesito GPU o me alcanza con CPU para computer vision?

Aquí entra la pregunta clave del negocio:

Si necesitas resultados en tiempo real, conviene conectar la cámara directamente al sistema y usar una GPU para paralelizar el procesamiento.
Si puedes esperar, una alternativa es grabar el video durante el día y procesarlo de noche en un equipo convencional con CPU.
La elección no es solo técnica, también es económica: una GPU agiliza, pero encarece la infraestructura.

Esa decisión define el tipo de arquitectura que vas a montar y el presupuesto que vas a destinar.

¿Cuándo uso GPU en visión por computadora? Cuando el caso de uso exige procesamiento en tiempo real o trabajas con videos largos y de alta resolución que requieren paralelización.

¿Cómo se aplican estas técnicas en proyectos reales?

¿Cuál de estos tres pilares se ajusta mejor a tu próximo proyecto? Cuéntame en los comentarios qué problema quieres resolver con visión por computadora.

Introducción y Visión General de SecureVision AI

Cómo contar personas en video con YOLO

Detección, segmentación y pose estimation

Procesamiento de Imágenes y Fundamentos de OpenCV

Procesamiento de Imágenes en Tiempo Real con OpenCV y Python

Creación de Mapas de Calor para Análisis de Tránsito en Videos

Segmentación de Imágenes con YOLO

Segmentación en tiempo real con YOLOv11

Heatmap de personas con YOLO y OpenCV

Detección de Objetos con YOLO

Selección e Instalación de Modelos YOLO para Detección de Objetos

Implementación de Detector de Objetos con Yolo v11

Conteo de Clientes en Locales con Yolo y OpenCV

Pose Estimation con Mediapipe

Mapa de Calor con MediaPy para Análisis de Producto

Seguimiento de mirada con Face Mesh

Creación de mapas de calor para seguimiento ocular en videos

Entrenamiento y Creación de Modelos Personalizados con YOLO

Detección de Fallas de Soldadura con YOLO y Modelos Personalizados

Ajuste de Hiperparámetros en Modelos de Aprendizaje Automático

Etiquetado de Imágenes con Label Studio y Exportación a Yolo

Casos reales de visión artificial con YOLO

Detección, segmentación y pose estimation

Progreso del curso

Introducción y Visión General de SecureVision AI

Procesamiento de Imágenes y Fundamentos de OpenCV

Segmentación de Imágenes con YOLO

Detección de Objetos con YOLO

Pose Estimation con Mediapipe

Entrenamiento y Creación de Modelos Personalizados con YOLO

Recursos

Recursos