SportsTrack mide su precisión en video deportivo, todavía en bancos de prueba

La visión por computador sigue buscando una forma confiable de seguir a los jugadores en video deportivo, y un nuevo método llamado SportsTrack acaba de presentar sus primeros números. Publicado en septiembre de 2026 en Image and Vision Computing, la revista de Elsevier, el trabajo propone una arquitectura que combina dos corrientes de predicción temporal y una asociación de detecciones por etapas. La idea central es enfrentar un problema conocido en el análisis de video deportivo: los jugadores se mueven rápido, se cruzan, se ocluyen y cambian de dirección en fracciones de segundo, lo que hace que los sistemas tradicionales pierdan la trazabilidad de cada sujeto.

Los resultados que reporta el artículo son específicos y medibles. Sobre el banco de pruebas SportsMOT, SportsTrack alcanza 86,2 % en MOTA, una métrica que combina falsos positivos, falsos negativos y cambios de identidad. En IDF1, que evalúa la consistencia de la identificación a lo largo del tiempo, llega a 63,1 %. También informa 52,3 % en HOTA, una métrica más reciente que integra detección y asociación, y 39,7 % en AssA, que mide exclusivamente la calidad de la asociación. Estos números sitúan al método en un punto competitivo frente a otros sistemas publicados, pero con espacio de mejora evidente en la solidez de la identificación prolongada.

Es importante leer estas cifras con cautela. El propio artículo indica que los resultados provienen de una evaluación experimental en bancos de prueba, no de un despliegue comercial. En otras palabras, SportsTrack ha sido probado en un entorno controlado, con secuencias de video anotadas de antemano y condiciones conocidas. Eso dista mucho de una transmisión en vivo, donde el ángulo de la cámara cambia, la iluminación varía, los marcadores se actualizan en tiempo real y los errores se pagan en la experiencia del usuario o en decisiones tácticas.

El escenario de evaluación, SportsMOT, es en sí mismo un aporte relevante al campo. Descrito en un trabajo separado presentado en ICCV, la conferencia de visión por computador del IEEE, este conjunto de datos incluye 240 secuencias de video y más de 150.000 cuadros, tomados de tres deportes: baloncesto, voleibol y fútbol. Los creadores anotaron más de 1,6 millones de cajas delimitadoras, lo que permite a los algoritmos aprender a ubicar a los jugadores en cada escena y a los evaluadores medir con precisión qué tan bien lo hacen.

El valor de SportsMOT no está solo en su volumen, sino en su diversidad de escenarios. Cada deporte impone desafíos distintos: en baloncesto los jugadores interactúan en espacios reducidos y cambian de equipo visualmente con los uniformes; en voleibol la red divide el campo y los movimientos son explosivos; en fútbol el área de juego es amplia y la cámara suele estar lejos de los jugadores. Al combinar estas condiciones, el conjunto de datos obliga a los sistemas a generalizar y reduce el riesgo de que un algoritmo esté sobreajustado a un solo tipo de competencia.

Si bien el artículo plantea el análisis táctico como una aplicación potencial, conviene mantener la expectativa aterrizada. Que un método logre métricas respetables en un banco de prueba no implica que esté listo para interpretar movimientos colectivos, reconocer patrones de presión o sugerir cambios de formación en tiempo real. El salto entre seguir cajas delimitadoras de jugadores y entender qué está ocurriendo estratégicamente en un partido es considerable, y el expediente disponible no documenta que SportsTrack haya resuelto ese paso.

La publicación llega en un momento en que el deporte profesional se interesa cada vez más por herramientas de analítica de video, pero también empieza a exigir transparencia sobre lo que cada sistema realmente puede hacer. Los números de SportsTrack son un insumo para esa conversación: muestran avances medibles en la capacidad de seguir jugadores en videos deportivos, y al mismo tiempo dejan claro que la precisión obtenida pertenece al laboratorio, no al estadio. La utilidad práctica, si llega, aún está por demostrarse.

Lo que sí queda establecido es que la comunidad académica dispone de un nuevo punto de referencia para comparar métodos futuros. Cada vez que se publique un sistema de seguimiento deportivo, los autores podrán medirlo contra SportsMOT y, si lo desean, contra las cifras que SportsTrack ha dejado registradas. Ese tipo de comparaciones acumulativas es lo que permite distinguir una mejora real de un cambio superficial, y ayuda a los equipos técnicos y a los clubes a entender qué tecnologías merecen una prueba en condiciones más cercanas a la operación diaria.