En este tutorial avanzado sobre Roboflow Supervision, desarrollamos un sistema completo para detección de objetos utilizando la biblioteca Supervision. Comenzamos configurando el seguimiento en tiempo real con ByteTracker, aplicando un suavizado en las detecciones y definiendo zonas poligonales para monitorear áreas específicas dentro del video. Mientras procesamos los cuadros, los anotamos con cajas delimitadoras, identificadores de objetos y datos de velocidad, lo que nos permite seguir y analizar el comportamiento de los objetos a lo largo del tiempo. La idea es mostrar cómo integrar detección, seguimiento, análisis basado en zonas y anotaciones visuales en un flujo de trabajo inteligente y fluido para análisis de video.
Primero instalamos las dependencias necesarias: Supervision, Ultralytics y OpenCV. Luego importamos las librerías y cargamos el modelo YOLOv8n, que será nuestro detector principal. Usamos bloques try-except para asegurarnos de mantener la compatibilidad, intentando asignar el rastreador ByteTrack o sus alternativas, y configuramos los anotadores para cajas, etiquetas y trayectorias. Definimos además zonas poligonales dinámicas en función del tamaño del cuadro, que representan áreas de entrada y salida para realizar análisis espaciales avanzados.
Creamos una clase llamada AdvancedAnalytics para gestionar el historial de los objetos rastreados, calcular su velocidad y contar cuántas veces cruzan las zonas establecidas. Esto nos proporciona estadísticas en tiempo real durante la reproducción del video.
En la función principal de procesamiento, leemos los cuadros de una fuente de video o cámara, ejecutamos el modelo de detección y filtramos solo la clase de interés (por ejemplo, personas). Luego actualizamos el rastreo y el suavizado de las detecciones. Aplicamos las zonas para detectar entradas y salidas, y anotamos cada cuadro con las cajas, etiquetas (que incluyen ID del objeto, confianza y velocidad), zonas resaltadas y trazos de trayectoria. También mostramos estadísticas en pantalla como el número total de objetos, eventos de entrada/salida y velocidad promedio.
Para validar toda esta funcionalidad, generamos un video demo simple con dos rectángulos en movimiento simulando objetos rastreados. Esto nos permite comprobar la detección, rastreo, control de zonas y análisis de velocidad sin requerir un video real. Procesamos el video demo y mostramos cuadros anotados en matplotlib periódicamente, además de imprimir un resumen final de las métricas recolectadas.
Con este pipeline completo logramos combinar la detección de objetos, el seguimiento multiobjetivo, la supervisión basada en zonas y la análisis estadístico en tiempo real, creando así un sistema robusto que va más allá de la simple detección. Gracias a estas herramientas open source, podemos construir soluciones inteligentes para vigilancia o análisis visual, tanto para investigación como para aplicaciones prácticas, con base para ampliar con funciones aún más avanzadas.
