Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Configuración de cookies
Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Descubra cómo OpenPose puede utilizarse para la estimación de poses en aplicaciones de visión artificial. Conozca sus características y su importancia en la IA de visión.
Hoy en día, las imágenes y las cámaras están en todas partes: integradas en nuestros teléfonos, hogares e incluso en espacios públicos. Confiamos en ellas no solo para capturar momentos, sino también para comprender e interactuar con el mundo que nos rodea.
Tras bambalinas, la visión artificial , un subcampo de la inteligencia artificial (IA), lo hace posible al permitir que las máquinas interpreten datos visuales. Permite que los sistemas detecten objetos, reconozcan rostros y rastreen el movimiento, desempeñando un papel clave en muchas de las tecnologías que usamos a diario.
Gracias a los recientes avances en IA, los modelos de visión artificial ahora pueden analizar y extraer datos e información más complejos. Un ejemplo de ello es la estimación de poses , una tarea de visión artificial centrada en comprender el movimiento humano.
Funciona identificando puntos clave del cuerpo, como hombros, codos y rodillas, en imágenes o vídeos. Esto permite analizar el movimiento de las personas, lo que permite aplicaciones en el seguimiento del estado físico, la animación, la atención médica y más.
Entre las numerosas herramientas desarrolladas para la estimación de poses, OpenPose destaca como un gran avance. Creado por investigadores del Laboratorio de Computación Perceptual de la Universidad Carnegie Mellon, fue uno de los primeros sistemas de código abierto capaces de detectar poses de cuerpo completo, incluyendo manos, pies y puntos clave faciales, de varias personas en tiempo real utilizando solo una cámara (con hasta 135 puntos clave por persona).
En este artículo, exploraremos OpenPose, cómo funciona y su importancia como un hito en la visión por computadora.
Fig. 1. Estimación de pose de múltiples personas usando OpenPose.
Una mirada a la historia de la estimación de pose
Antes de la adopción generalizada de la IA, el seguimiento del movimiento humano en vídeos implicaba el uso de equipos especializados. En industrias como el cine y la animación , los actores solían usar trajes con marcadores reflectantes para que las cámaras pudieran capturar sus movimientos en un entorno de estudio controlado.
Si bien estas técnicas de captura de movimiento basadas en marcadores eran precisas, también eran costosas y estaban limitadas a configuraciones específicas. A medida que la visión artificial avanzaba, los investigadores buscaron maneras de rastrear el movimiento corporal sin usar marcadores. Utilizaron bordes, contornos y plantillas para encontrar formas humanas en imágenes.
Estos primeros sistemas funcionaban en casos sencillos y directos, pero presentaban dificultades en situaciones reales. A menudo arrojaban resultados deficientes cuando las personas se movían de forma inesperada o aparecían más de una persona en un cuadro.
A finales de la década de 2010, el aprendizaje profundo supuso un cambio importante en la estimación de poses. Los modelos de IA de visión pudieron entrenarse con grandes conjuntos de datos de poses humanas. En lugar de depender de bordes y plantillas, los modelos aprendieron a reconocer las articulaciones y la estructura corporal mediante el estudio de miles de imágenes etiquetadas. Esto hizo que la estimación de poses fuera más precisa, flexible y eficaz en una gama más amplia de entornos.
Fig. 2. Evolución de los modelos de estimación de la postura humana de 2017 a 2023.
OpenPose: donde despegó la estimación de pose moderna
OpenPose se lanzó por primera vez en 2017 y permite estimar las poses de varias personas simultáneamente en una sola imagen. A diferencia de los sistemas anteriores, OpenPose no requiere trajes ni marcadores especiales. Funciona con cámaras estándar y puede procesar imágenes y vídeos en tiempo real. Estas funciones hicieron que la estimación de poses fuera más accesible para desarrolladores e investigadores.
Las bases que OpenPose sentó para la visión artificial ayudaron a otros a desarrollar arquitecturas más modernas para diversas aplicaciones. Hoy en día, los modelos de IA de visión como Ultralytics YOLO8 y Ultralytics YOLO11 , que admiten tareas de estimación de pose, ofrecen resultados más rápidos y menor latencia.
Fig. 3. Uso de YOLO11 para la estimación de la pose.
Sin embargo, OpenPose es un excelente punto de partida si te interesa saber cómo ha evolucionado la estimación de poses. Introdujo ideas clave en las que se basan muchos sistemas más recientes.
Capacidades clave de OpenPose
Ahora que comprendemos mejor por qué es importante OpenPose, veamos con más detalle lo que realmente puede hacer.
La función principal de OpenPose es la detección de puntos clave . Estos puntos son puntos de referencia específicos del cuerpo humano, como la punta de la nariz, el centro de los hombros, los codos, las muñecas, las caderas, las rodillas y los tobillos. OpenPose puede detectar hasta 135 de estos puntos por persona, incluyendo áreas detalladas como los dedos y los rasgos faciales.
Al conectar estos puntos, se forma una representación simplificada del cuerpo humano: se puede considerar como un esqueleto digital. Este contorno esquelético muestra no solo la ubicación de una persona, sino también su postura: sentada, de pie, saludando, sonriendo o caminando. Las computadoras pueden interpretar visualmente el movimiento humano usando estos esqueletos, de forma similar a como nosotros entendemos instintivamente el lenguaje corporal de una persona.
El seguimiento esquelético es especialmente útil porque elimina el ruido de fondo y las distracciones, permitiendo que el sistema se centre exclusivamente en la postura y el movimiento humanos. En lugar de analizar cada píxel, OpenPose se centra en los puntos significativos que revelan cómo se mueve o interactúa una persona.
Al extraer esta información estructurada de imágenes o vídeos cotidianos, OpenPose permite crear aplicaciones que responden a gestos, monitorean la actividad física, evalúan señales emocionales o incluso animan personajes digitales.
¿Cómo funciona OpenPose?
A continuación se muestra una descripción general de cómo OpenPose detecta y conecta puntos clave en el cuerpo humano a partir de la información visual:
Comienza con una imagen: OpenPose toma una sola imagen de una fotografía, un video o una transmisión de cámara en vivo.
Localiza partes importantes del cuerpo: El sistema busca puntos clave en el cuerpo, como la nariz, los codos, las muñecas, las rodillas y los tobillos. Se marcan donde el sistema considera que se encuentra una parte del cuerpo.
Determina qué partes se conectan: A continuación, OpenPose comprueba cómo se conectan los puntos clave. Utiliza cálculos matemáticos para determinar qué articulaciones pertenecen a la misma persona; por ejemplo, asocia una muñeca con el codo y el hombro derechos.
Dibuja un esqueleto para cada persona: Tras agrupar los puntos clave, OpenPose los conecta en una figura de palitos que muestra la pose de cada persona. Esto funciona incluso cuando aparecen varias personas en el mismo encuadre.
Devuelve los datos de la pose: Finalmente, proporciona las posiciones exactas de todos los puntos clave detectados. Estos pueden utilizarse para rastrear el movimiento, reconocer gestos o crear herramientas interactivas, todo en tiempo real.
Fig. 4. Detección y seguimiento de puntos clave humanos utilizando OpenPose.
Aplicaciones de estimación de pose en diferentes industrias utilizando OpenPose
OpenPose fue una de las primeras herramientas avanzadas que facilitó la estimación de poses en diversos casos prácticos. Si bien no se usa comúnmente en soluciones de visión artificial en tiempo real, jugó un papel importante en la definición de trabajos iniciales en campos como el deporte, el entretenimiento, la educación y la seguridad.
Veamos más de cerca cómo ayudó a allanar el camino en estas áreas.
Estimación de pose con OpenPose para fitness y deportes
Al ver béisbol, es fácil comprender lo que sucede: se reconoce al instante un lanzamiento, un swing o una base robada. Como humanos, leemos intuitivamente los movimientos corporales y los interpretamos sin mucho esfuerzo. Pero para las máquinas, reconocer estas acciones es mucho más complejo. Necesitan información precisa sobre cómo se mueve cada parte del cuerpo en el espacio.
OpenPose representó un avance sustancial en el campo de la visión artificial. Se convirtió en una herramienta práctica para analizar la forma atlética en diversos entornos.
Muchos proyectos de investigación utilizaron OpenPose para desglosar movimientos como swings y saltos, e incluso clasificaron acciones específicas de béisbol según los movimientos de los jugadores. Al funcionar en entornos abiertos con video estándar, permitió a los investigadores probar el funcionamiento de estos sistemas en escenarios reales de entrenamiento o coaching.
Estos primeros estudios ayudaron a sentar las bases para las herramientas de seguimiento del rendimiento que ahora se utilizan en la tecnología deportiva avanzada.
Figura 5. Un vistazo a una secuencia de clasificación de acciones de béisbol usando OpenPose.
Uso de OpenPose en sistemas de seguridad y protección
De igual forma, los investigadores también utilizaron OpenPose para explorar cómo el seguimiento de poses basado en video podría contribuir a la monitorización de la seguridad. Se probó para detectar comportamientos como caídas, gestos inesperados o patrones de movimiento en espacios públicos.
Gracias a su compatibilidad con cámaras estándar, OpenPose facilitó la experimentación inicial en entornos como hospitales y centros de transporte. Estos estudios impulsaron el desarrollo de nuevos modelos que ahora se utilizan en sistemas de vigilancia, detección de caídas y respuesta a emergencias.
Fig 6. Detección de caídas habilitada por OpenPose.
Pros y contras de OpenPose
A continuación se muestra un vistazo de algunas de las ventajas que ofrece OpenPose:
Útil para la investigación y la creación de prototipos: se ha utilizado ampliamente en la investigación académica, especialmente en campos como la interacción humano-computadora, la biomecánica y el análisis del comportamiento.
Soporte multiplataforma: puede ejecutarse en Windows, Linux y macOS, con soporte tanto para unidades centrales de procesamiento (CPU) como para unidades de procesamiento gráfico (GPU) .
Capacidad de procesamiento sin conexión : puede ejecutarse en entornos sin acceso a Internet, lo que lo hace ideal para configuraciones sensibles a la privacidad, como la atención médica o la educación.
Si bien OpenPose representó un gran avance, también presenta limitaciones técnicas que es importante tener en cuenta. Estos son algunos de los principales desafíos asociados con OpenPose:
Altos requisitos de procesamiento: ejecutar OpenPose en tiempo real requiere una GPU potente y recursos informáticos importantes.
Sensible al entorno: el rendimiento puede disminuir en condiciones de poca luz, en espacios llenos de gente o cuando los ángulos de la cámara no son ideales.
Pesado en comparación con los modelos más recientes: En comparación con los modelos de estimación de pose más recientes, OpenPose es relativamente grande y más lento. No es adecuado para su implementación en dispositivos con recursos limitados, como smartphones, tablets o sistemas integrados.
Principales conclusiones
OpenPose jugó un papel importante al hacer más accesible la estimación de poses. Demostró que el seguimiento de los movimientos corporales podía realizarse con una simple cámara, sin necesidad de trajes ni equipos especializados.
Sentó las bases para numerosas aplicaciones prácticas en los sectores de la salud, la educación, el entretenimiento y la investigación. Si bien los modelos más nuevos ofrecen mayor velocidad y un rendimiento más ligero, OpenPose sigue siendo un referente clave para comprender la evolución de la estimación de poses.
