Anonimización en streaming para cámaras de seguridad ciudadana
Visión general
De qué trata este proyecto.
Recibes 4 horas de vídeo grabado en 1080p a 25 fps procedente de tres cámaras representativas (parking, vestíbulo comercial, andén de transporte) y un script de evaluación que mide F1 en detección de rostro + matrícula sobre una partición etiquetada. Construye una pipeline que detecte rostros (RetinaFace o YOLOv8-face) y matrículas (YOLOv8 entrenado sobre el dataset abierto Open ALPR) y aplique difuminado gaussiano o pixelado en cada bounding box, todo a 25 fps en GPU L4 o equivalente. Mide: recall de anonimización sobre el ground truth, tasa de falsos positivos sobre regiones no sensibles y degradación en el modelo de aforo aguas abajo (debe seguir contando personas con error inferior al 8%). Entrega el prototipo dockerizado más un memorando de 3 páginas que cite los artículos RGPD aplicables y describa la cadena de custodia del vídeo crudo (que debe destruirse en menos de 60 segundos).
El Briefing
Lo que harás y lo que demostrarás.
Construir una pipeline de anonimización en streaming a 25 fps que cumpla RGPD/LOPDGDD, alcance recall de anonimización mayor o igual a 0,98 y degrade el aforo aguas abajo en menos del 8%.
Earning criteria — what you'll demonstrate
- Aplicar detección de objetos en tiempo real sobre flujos de vídeo a 25 fps
- Diseñar una pipeline que conserve utilidad analítica eliminando información personal identificable
- Medir el impacto de la anonimización sobre tareas aguas abajo, no sólo sobre la detección
- Conectar requisitos legales (RGPD/LOPDGDD) con decisiones de ingeniería trazables
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosComputer Vision Engineer
Detección de objetos en tiempo real bajo restricciones de fps y de privacidad es trabajo nuclear para una persona ingeniera de CV en cualquier empresa de videovigilancia o de IA física que opere en Europa.
Este proyecto afina
- object-detection
- real-time-video
- model-evaluation
MLOps Engineer
Sostener 25 fps en producción con pipeline dockerizada y métricas operativas es exactamente el alcance MLOps en sistemas de visión en streaming.
Este proyecto afina
- edge-deployment
- real-time-video
- model-evaluation
AI Safety Researcher
Diseñar una pipeline que conecta recall de anonimización con la cadena de custodia RGPD muestra el razonamiento de seguridad y privacidad por diseño que se valora en equipos de red team y de responsible AI.
Este proyecto afina
- privacy-engineering
- model-evaluation
- object-detection