Segun MarkTechPost (AI/ML News), NVIDIA ha lanzado DeepStream 9.1, una actualización clave de su plataforma de análisis de video basada en inteligencia artificial. Esta versión resuelve un desafío persistente en el procesamiento de video: identificar y seguir un objeto en múltiples cámaras, que tradicionalmente requiere ajustes manuales y cálculos complejos. La solución se basa en dos nuevas capacidades integradas: el seguimiento tridimensional en múltiples vistas (MV3DT) y la calibración automática (AMC), ambas diseñadas como habilidades agentes que permiten a los desarrolladores construir pipelines de video en menos tiempo.
El núcleo de DeepStream es una infraestructura basada en GStreamer que permite procesar múltiples flujos de video y modelos de inteligencia artificial en GPUs de NVIDIA. La versión 9.1 amplía esta base con cinco componentes clave: trece habilidades agentes para código, la capacidad de seguimiento tridimensional en múltiples cámaras, un sistema de calibración automática, y soporte para dispositivos de bordo como Jetson Orin y Thor, mediante NVIDIA JetPack 7.2. Todo ello se organiza en un repositorio abierto de código fuente bajo licencias CC-BY-4.0 y Apache-2.0, accesible para cualquier desarrollador.
El funcionamiento del MV3DT se estructura en cuatro fases. Primero, cada cámara ejecuta un detector de objetos. Luego, las detecciones se proyectan en un sistema de coordenadas tridimensionales compartido. A continuación, el sistema vincula las observaciones de un mismo objeto en distintas vistas. Finalmente, se asigna un identificador único global que permite rastrear el objeto sin interrupciones entre cámaras. Este proceso se apoya en tres modelos preconfigurados: PeopleNetTransformer, utilizado como estándar en escenarios de personas, y PeopleNet v2.6.3, que ofrece un alto rendimiento en escenarios de detección eficiente.
Para el lector peruano, esta evolución en tecnologías de visión por computadora puede tener aplicaciones directas en sectores clave como seguridad urbana, transporte público o gestión de infraestructura. Por ejemplo, en centros de transporte, el sistema podría detectar y seguir a pasajeros en múltiples puntos de control sin intervención humana, mejorando la eficiencia operativa. Aunque el costo inicial de implementación puede ser alto, el ahorro a largo plazo en operaciones manuales y la precisión en la detección de patrones hacen que esta tecnología sea un punto de inflexión en el uso inteligente de cámaras en entornos locales. La disponibilidad de herramientas abiertas y accesibles también facilita su adaptación por empresas nacionales que buscan modernizar sus sistemas de monitoreo sin depender exclusivamente de soluciones de terceros.