Object detection explicada: cómo la AI ‘ve’ personas y vehículos

YOLOv8 detecta una persona a 80 ms por imagen en CPU. Eso corre dentro de tu cámara cuando el vendor dice “AI built-in”.

Una red moderna hace tres cosas en un solo paso: mira la imagen completa, predice dónde está cada objeto y clasifica qué es. YOLO —You Only Look Once— nombró esa idea en 2015: tratar la detección como regresión, no como dos tareas separadas. La versión base corre a 45 fps; la rápida, a 155 [Redmon et al., 2016, https://arxiv.org/abs/1506.02640].

El estándar de facto para entrenar estos modelos es COCO: 80 categorías, 330K imágenes, 1.5 millones de instancias anotadas [COCO dataset, http://cocodataset.org/]. Cuando un vendor dice “detecta personas y vehículos”, suele significar “está entrenado contra las 80 categorías de COCO”.

La métrica universal de precisión es mAP@0.5:0.95. El YOLOv8 nano —el más chico de la familia— logra 37.3 mAP en COCO val2017 a 80.4 ms en CPU o 0.99 ms en A100 TensorRT [Ultralytics YOLOv8 README, https://huggingface.co/Ultralytics/YOLOv8].

Tu cámara no corre el modelo completo en el silicio del sensor. Lo usual es un chip dedicado (1-2 TOPS) con una versión cuantizada —más chica, menos precisa, pero suficiente para alertas en tiempo real. Cuando dice “persona detectada en zona 3 a las 14:32:07”, ese evento viaja como metadata sobre el stream de video. ONVIF Profile M define exactamente cómo: interfaces estandarizadas para clasificación genérica de objetos y metadata específica para vehículos, placas, caras y cuerpos humanos [ONVIF Profile M, https://www.onvif.org/profiles/profile-m/].

El mercado de AI en video surveillance pasó de USD 3.90B en 2024 a USD 12.46B proyectados a 2030 (CAGR 21.3%) [MarketsandMarkets vía PR Newswire, https://prnewswire.com/news-releases/ai-in-video-surveillance-market-worth-12-46-billion-by-2030---exclusive-report-by-marketsandmarkets-302336942.html]. El dinero se mueve porque object detection ya corre en producción.

P.D. ¿Tu cámara actual “ve” personas y autos, o solo graba siluetas que nadie revisa? Si la respuesta es “no sé”, el datasheet debería decir qué detector trae y en qué chip corre. Hoy es buen día para averiguarlo.

📰 Fuentes:

  1. Ultralytics — YOLOv8 docs: https://docs.ultralytics.com/models/yolov8
  2. Ultralytics YOLOv8 (Hugging Face): https://huggingface.co/Ultralytics/YOLOv8
  3. COCO dataset: http://cocodataset.org/
  4. Redmon et al. — YOLO paper (2016): https://arxiv.org/abs/1506.02640
  5. ONVIF Profile M: https://www.onvif.org/profiles/profile-m/
  6. MarketsandMarkets — AI in Video Surveillance (PR Newswire): https://prnewswire.com/news-releases/ai-in-video-surveillance-market-worth-12-46-billion-by-2030---exclusive-report-by-marketsandmarkets-302336942.html

Fuentes

[1] Ultralytics — YOLOv8 docs (release date + architecture) — https://docs.ultralytics.com/models/yolov8 [2] Ultralytics/YOLOv8 (Hugging Face canonical README) — https://huggingface.co/Ultralytics/YOLOv8 [3] COCO — Common Objects in Context (official dataset) — http://cocodataset.org/ [4] Redmon et al. — You Only Look Once (CVPR 2016) — https://arxiv.org/abs/1506.02640 [5] ONVIF — Profile M (metadata + analytics interfaces) — https://www.onvif.org/profiles/profile-m/ [6] MarketsandMarkets via PR Newswire — AI in Video Surveillance (Dec 2024) — https://prnewswire.com/news-releases/ai-in-video-surveillance-market-worth-12-46-billion-by-2030---exclusive-report-by-marketsandmarkets-302336942.html