La generación actual de equiReelz — guardar, compartir, encontrar — resuelve un problema real: llevar tus recorridos de salto desde el smartphone que los grabó hasta las personas que necesitan analizarlos, en calidad original, sin reenvíos manuales. Esa es la base aburrida pero necesaria. Cualquiera que analice vídeo primero tiene que poder conseguir el vídeo.
El trabajo interesante — el que pone el análisis serio al alcance de jinetes que no tienen un coach personal de biomecánica — viene después. Este artículo es la hoja de ruta pública de las funciones de ML y visión por computador que estamos integrando en equiReelz. Es honesto sobre lo que ya está disponible, lo que está en desarrollo y lo que está en fase de investigación. Si eres un usuario actual y te preguntas si equiReelz va a seguir mejorando, este artículo es para ti.
Dónde estamos ahora (lo que ya está disponible)
La capa base:
- Subida en calidad 4K original desde cualquier teléfono, sin compresión en el camino hacia las personas que necesitan verlo
- Reglas de compartir automáticas — los vídeos del caballo X van automáticamente a las personas correctas
- Búsqueda por caballo, jinete, ubicación, fecha — encuentra cualquier clip en segundos
- Reproducción fotograma a fotograma y a cámara lenta para el análisis
- Comparación de vídeos lado a lado
- Enlaces para compartir con código QR para usar a pie de pista
- App de iOS con IA en el dispositivo que detecta automáticamente los vídeos de caballos en tu carrete
Esta capa es sólida. La siguiente capa es donde el análisis pasa a ser computacional en lugar de puramente visual.
Lo que viene a continuación: el stack de ML v2
Cada una de las siguientes funciones está en desarrollo activo. Construimos de forma incremental y lanzamos las piezas una a una en cuanto alcanzan calidad de producción, en lugar de esperar a un único gran lanzamiento "v2". Este es el orden en el que trabajamos.
Zoom automático
La función más solicitada con diferencia por los usuarios actuales. El problema: la mayoría de las imágenes de competición de los jinetes se graban desde un punto fijo — el lado largo de la pista, desde el banco de los padres, desde la valla del calentamiento. El caballo y el jinete ocupan quizá el 10 % del encuadre. Para ver algo de verdad, tienes que pellizcar para hacer zoom y desplazar, lo que arruina el análisis.
El zoom automático usa detección de objetos sobre el caballo y el jinete para seguirlos automáticamente durante el recorrido — el resultado es un primer plano virtual que sigue la acción sin desplazamiento manual. El plano general original sigue disponible; la versión con zoom automático es una capa generada que puedes ver en su lugar.
Estado: el pipeline de estimación de pose funciona en el laboratorio; estamos llevando a producción la suavidad de la trayectoria de cámara.
Ángulos articulares del jinete y pose 3D
La biomecánica del jinete — ángulo de cadera en la aproximación, rotación de hombros sobre el obstáculo, posición de la pierna en la recepción — medida automáticamente a partir del mismo vídeo que ya subiste. Útil para trabajar problemas de posición casi imposibles de ver en tiempo real, incluso desde el suelo.
Esto se apoya en modelos de estimación de pose humana en 3D que han mejorado enormemente en los últimos 18 meses. El trabajo técnico consiste sobre todo en aplicarlos de forma robusta a la geometría específica de un jinete montado.
Estado: modelos de pose 3D evaluados; integrándolos en el pipeline de análisis.
Detección de barras caídas
Función más pequeña, útil de inmediato: detección automática de cuándo cae una barra. El vídeo se etiqueta con el número del obstáculo y la marca de tiempo; puedes buscar "recorridos con derribos" o "recorridos sin falta" sin verlo todo.
Estado: modelo de detección de objetos en entrenamiento.
Reidentificación de caballo y jinete
Una vez que has subido unos cuantos recorridos de un caballo, la plataforma puede reconocer el mismo caballo en subidas futuras — incluso si los metadatos no se rellenaron correctamente. Resuelve el problema de "¿qué caballo es este en realidad?" a escala, sobre todo para escuelas de equitación con más de 20 caballos o vendedores que gestionan inventario.
Construido con redes siamesas sobre vectores de características propios del caballo. El mismo enfoque se extiende a los jinetes.
Estado: prototipo funcionando con un conjunto de datos pequeño; necesita escala.
Conversión para redes sociales
Toma un recorrido de competición horizontal y genera automáticamente los clips verticales para Instagram o TikTok — centrados en los saltos, con cámara lenta opcional y un primer plano que sigue la acción. Para los jinetes y las cuadras que construyen una audiencia, esto convierte "debería publicar algún vídeo esta semana" en una exportación con un solo toque.
Estado: pipeline funcionando con la estimación de pose actual; llevando a producción las decisiones editoriales (qué salto, cuánta cámara lenta, cómo recortar).
Detección de aires
Identificación automática de lo que hace el caballo en un clip — galope, salto, trote, galope, paso. Útil como entrada para todas las demás funciones (no quieres medir la longitud de tranco durante una parada) pero también por sí sola — busca en tu biblioteca "todos los clips al trote" o "todos los esfuerzos de salto en 2025".
Enfoque: modelos de reconocimiento de acción temporal (LSTM o transformer) que consumen la salida de la estimación de pose fotograma a fotograma.
Estado: en desarrollo.
Por qué lanzamos esto en equiReelz en lugar de como herramienta aparte
Lo difícil de cualquier análisis serio es tener el material de origen en primer lugar. La razón por la que las herramientas de biomecánica existentes no han despegado en el mundo ecuestre no son las herramientas — es que nadie tiene los vídeos, en calidad original, organizados por caballo y jinete, listos para introducir en algo. No puedes ejecutar estimación de pose sobre un clip de WhatsApp a 480p.
equiReelz resuelve primero el problema del material de origen. Una vez que tu biblioteca está en su sitio — cada recorrido en calidad original, bien etiquetado — aplicarle ML es el siguiente paso obvio. Podemos hacer por el mundo ecuestre lo que herramientas como Hudl hicieron por los deportes de equipo: no solo análisis, sino análisis sobre imágenes organizadas que de otro modo no existirían.
Qué significa esto para los usuarios actuales
Dos cosas:
- Tu biblioteca existente estará lista para el ML. Cada recorrido que has subido en calidad original es la entrada que estos modelos necesitan. No tienes que volver a grabar nada; el archivo histórico se convierte en el material pendiente de analizar.
- Eres el público alfa. Las funciones de ML llegan primero a los usuarios actuales para probarlas antes de generalizarse. El feedback real de jinetes reales da forma a lo que se lanza.
Preguntas frecuentes
¿El procesamiento de ML ocurre en la nube o en el dispositivo?
Ambos. La app de iOS ya hace la detección de caballos en el dispositivo para el carrete. Los modelos más pesados — la estimación de pose — se ejecutan en la nube tras la subida, porque necesitan GPU que los teléfonos no tienen. Tus vídeos siguen siendo privados; el procesamiento ocurre dentro de tu cuenta.
¿Y si solo quiero el almacenamiento de vídeo y el ML no me importa?
Bien. La capa base — guardar, compartir, encontrar — es y seguirá siendo el núcleo del producto. Las funciones de ML son un añadido; puedes ignorarlas por completo y aun así obtener el valor de una biblioteca de vídeo organizada y compartible.
En resumen
equiReelz hoy es una plataforma de vídeo que resuelve el problema aburrido pero necesario: tener tus recorridos organizados, compartidos y buscables en calidad original. Lo que construimos a continuación es eso, más un stack de ML serio que convierte tu biblioteca en análisis automático — zoom automático, biomecánica del jinete, detección de barras caídas, clips automáticos para redes sociales, todo el conjunto.
La versión con la que empiezas hoy es la base; todo lo que lanzamos se apoya en los vídeos que ya has subido. Las funciones de ML llegan a la misma cuenta.