Mapa de Calor con MediaPy para Análisis de Producto

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

0:003:29

Mapa de Calor con MediaPy para Análisis de Producto

Curso de Visión Artificial con Python

Clase 10 de 16

Clase 10 / 16

Recursos

La detección de poses y puntos característicos del cuerpo humano mediante inteligencia artificial ha revolucionado múltiples industrias, desde el retail hasta la medicina. MediaPipe, desarrollado por Google, ofrece soluciones potentes y accesibles para implementar estas tecnologías en proyectos reales. En este contenido, exploraremos cómo utilizar MediaPipe para crear mapas de calor que permitan analizar el comportamiento de los clientes frente a productos específicos.

¿Qué es MediaPipe y por qué es importante para la detección de poses?

MediaPipe es una herramienta de código abierto desarrollada por Google que ofrece diversas soluciones para el análisis de imágenes y video. Entre sus principales características destacan:

Detección de puntos faciales con gran precisión.
Reconocimiento de poses corporales en tiempo real.
Alta precisión en la detección de movimientos.
Gran comunidad de desarrolladores que contribuyen constantemente.
Soporte oficial de Google, lo que garantiza actualizaciones y mejoras continuas.

Esta biblioteca permite identificar hasta 33 puntos característicos en el cuerpo humano, abarcando desde la cabeza hasta los pies, incluyendo hombros, codos, manos, rodillas y tobillos. Además, ofrece la capacidad de detectar más de 400 puntos solo en el rostro, lo que la convierte en una herramienta extremadamente detallada para el análisis corporal.

¿Cómo implementar la detección de poses con MediaPipe?

Para comenzar a utilizar MediaPipe en nuestros proyectos, necesitamos tener instaladas algunas dependencias:

OpenCV para el procesamiento de imágenes y video
MediaPipe, que se instala fácilmente con el comando:

pip install mediapipe

La implementación básica para detectar poses sigue estos pasos:

import cv2
import mediapipe as mp

# Inicializar componentes de MediaPipe
mp_drawing = mp.solutions.drawing_utils
mp_pose = mp.solutions.pose

# Configurar la detección de poses
pose = mp_pose.Pose(
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5,
    static_image_mode=False
)

# Capturar video (0 para cámara integrada, 1 para cámara externa)
cap = cv2.VideoCapture(1)

while cap.isOpened():
    success, frame = cap.read()
    if not success:
        break
        
    # Convertir de BGR a RGB (MediaPipe requiere RGB)
    frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    
    # Procesar el frame para detectar poses
    results = pose.process(frame_rgb)
    
    # Dibujar los landmarks y conexiones
    if results.pose_landmarks:
        mp_drawing.draw_landmarks(
            frame, 
            results.pose_landmarks, 
            mp_pose.POSE_CONNECTIONS
        )
    
    # Mostrar el resultado
    cv2.imshow('MediaPipe Pose', frame)
    
    # Salir con la tecla 'q'
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# Liberar recursos
cap.release()
cv2.destroyAllWindows()

Este código configura MediaPipe para detectar poses con un umbral de confianza del 50% tanto para la detección inicial como para el seguimiento. El parámetro static_image_mode=False optimiza el rendimiento para video, mejorando la latencia.

¿Qué son los landmarks y cómo se utilizan en el análisis corporal?

Los landmarks o puntos característicos son coordenadas específicas que MediaPipe identifica en el cuerpo humano. Cada punto tiene una ubicación precisa y representa una articulación o característica anatómica relevante.

En el caso de la solución de poses, MediaPipe identifica 33 landmarks distribuidos por todo el cuerpo:

Puntos en la cabeza y rostro
Hombros, codos y muñecas
Dedos de las manos
Caderas, rodillas y tobillos
Pies

Estos puntos se conectan mediante líneas (representadas como POSE_CONNECTIONS en el código) para formar un esqueleto virtual que se superpone sobre la imagen de la persona detectada.

La importancia de estos landmarks radica en que permiten:

Analizar la postura corporal
Detectar movimientos específicos
Crear mapas de calor basados en la posición de partes del cuerpo
Seguir el comportamiento de una persona frente a estímulos (como productos en una tienda)

¿Cómo crear mapas de calor para analizar el comportamiento del cliente?

Para el desafío específico de crear mapas de calor que muestren qué atrae a las personas respecto a ciertos productos, necesitamos enfocarnos en puntos característicos específicos. Aunque en este caso nos centraremos en los landmarks del rostro en la próxima implementación, el concepto básico implica:

Detectar la pose de la persona utilizando MediaPipe
Extraer las coordenadas de los landmarks relevantes (como la dirección de la mirada)
Registrar estos datos a lo largo del tiempo
Generar un mapa de calor que muestre las áreas de mayor interés

Este enfoque permite a los comercios:

Identificar qué productos atraen más la atención visual
Analizar patrones de movimiento frente a estanterías o displays
Optimizar la disposición de productos basándose en datos objetivos
Mejorar la experiencia del cliente mediante diseños más intuitivos

La implementación completa de los mapas de calor basados en los puntos faciales se abordará en la siguiente fase del proyecto, donde nos enfocaremos específicamente en el seguimiento de características del rostro para determinar hacia dónde mira el cliente.

La tecnología de detección de poses mediante MediaPipe ofrece posibilidades fascinantes para el análisis del comportamiento humano en entornos comerciales. ¿Has implementado alguna vez sistemas de seguimiento visual en tus proyectos? Comparte tu experiencia y dudas en los comentarios.

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

Mapa de Calor con MediaPy para Análisis de Producto

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