Anzeichen des Niedergangs von Städten aufdecken: Die Stärke von AI in der Stadtplanung

Die genaue Messung der Qualität städtischer Räume ist ein entscheidender Aspekt bei der Entwicklung wirksamer Maßnahmen, die sich mit den vielfältigen Herausforderungen von Stadtbewohnern wie Armut, Infrastruktur, Verkehr, Gesundheit und Sicherheit befassen. Herkömmliche Methoden zur Erhebung sozioökonomischer Daten wie Kriminalitätsraten, Einkommensniveaus und Wohnverhältnisse durch gelegentliche Befragungen der Bevölkerung sind jedoch unzureichend, da sie selten und kostspielig sind und auf menschlicher Wahrnehmung beruhen. Dadurch entsteht auf Ebene einzelner Stadtviertel ein veraltetes Bild der tatsächlichen Verhältnisse.

Der Einsatz von KI in diesem Bereich erfreut sich rasch wachsender Beliebtheit. Forschende experimentieren mit Satellitenbildern, um die Zersiedelung von Städten zu quantifizieren, sowie mit Projekten zum maschinellen Lernen, um großflächige Karten von Armut, Wohlstand und Einkommen in Entwicklungsländern zu erstellen. Trotz dieser Fortschritte wurde die physische Landschaft innerhalb städtischer Räume und ihre Veränderung im Laufe der Zeit bisher noch nicht vollständig untersucht.

Laut Andrea Vallebueno „gibt es kein angemessenes Maß, das die Qualität des städtischen Raums, seine Veränderung im Laufe der Zeit und die darin bestehende räumliche Ungleichheit dokumentiert.“ Andrea arbeitete mit ihrem Co-Autor Yong Suk Lee daran, diese Lücke zu schließen, indem sie hochfrequente Google-Street-View-Bilder nutzten und Paneldaten auf Ebene von Straßenabschnitten erstellten. Damit waren sie Vorreiter auf diesem Gebiet.

Andrea Vallebueno ist wissenschaftliche Mitarbeiterin für Computational Science am Regulation, Evaluation, and Governance Lab der Stanford University.

Mit KI Gutes tun#

Andreas Leidenschaft für den Einsatz von Datenwissenschaft für gesellschaftlich nützliche Anwendungen führte sie dazu, den Einsatz von maschinellem Lernen und KI für die Bildverarbeitung zu erforschen. Mit einem Hintergrund in Wirtschaftswissenschaften und einem Masterabschluss in Data Science von Stanford arbeitet Andrea seit etwa eineinhalb Jahren mit Ultralytics YOLOv5.

Als Kind in Mexiko-Stadt war Andrea sich der dramatischen Unterschiede zwischen Stadtvierteln wie Santa Fe sehr bewusst, wo eine große Betonmauer die Reichen von den Armen trennte. Als Datenwissenschaftlerin und Forscherin begann Vallebueno sich Gedanken darüber zu machen, wie herkömmliche Wirtschaftsdaten diese extremen Unterschiede außer Acht lassen und dadurch die Anzeichen von Ungleichheit und städtischem Niedergang verschleiern. Ihr wurde klar, dass der Mangel an detaillierten Daten angesichts des zunehmenden Zustroms von Menschen in Städte weltweit zu einem immer dringlicheren Problem werden würde.

Warum Ultralytics YOLOv5?#

Andrea und Yong wollten ein objektives Maß für den städtischen Verfall entwickeln. Sie setzten Objekterkennung auf Bildern aus Google Street View ein, um acht städtische Merkmale zu erfassen, die auf städtischen Verfall hindeuten. Sie entschieden sich aufgrund der Inferenzgeschwindigkeit und der Nutzung von Kontextinformationen für YOLOv5, was für ihren Anwendungsfall entscheidend war.

Das trainierte Modell wurde verwendet, um Inferenz auf 114.000 Street-View-Bildern aus verschiedenen Stadtvierteln in San Francisco, Mexiko-Stadt und South Bend durchzuführen. Die Erkennungen der acht Merkmale wurden auf Ebene von Straßenabschnitten aggregiert, um Indizes für den städtischen Verfall zu erstellen und die zeitliche Veränderung des Auftretens städtischen Verfalls zu messen.

Mexiko-Stadt, MX

San Francisco, CA

Andrea und ihr Team fanden Ultralytics YOLOv5 ausgesprochen benutzerfreundlich. Der Großteil ihrer Zeit floss in die Pflege ihres Datensatzes und das Training ihrer Modelle. Sie schätzten die Integration mit Werkzeugen zur Versuchsverfolgung sowie das automatische Erlernen von Begrenzungsrahmen, wodurch der Prozess deutlich zugänglicher wurde.

Andrea und ihr Team freuen sich darauf, ihr Maß für die Qualität städtischer Räume um positive Merkmale der physischen städtischen Umgebung zu erweitern und die Leistung dieser Indizes in einer vielfältigen Auswahl städtischer Viertel zu testen.

Visualisierung der im Laufe der Zeit erfassten Modellvorhersagen von Zelten und Planen, die im Stadtviertel Tenderloin in San Francisco als Unterkünfte obdachloser Menschen genutzt wurden.

Tipps für deinen Einstieg in die KI#

Allen, die neu im Bereich KI sind, empfiehlt Andrea, ein Problem oder eine Forschungsfrage zu finden, für die sie sich begeistern, und den gesamten Lebenszyklus eines KI-Projekts zu durchlaufen. Sie ist überzeugt, dass dies eine der besten Möglichkeiten ist, Intuition zu entwickeln und die Grenzen des eigenen Modells zu verstehen.

KI wird zunehmend zu einem wichtigen Werkzeug für Universitäten und Forschende, da sie ihnen ermöglicht, komplexe Datensätze zu untersuchen und zu verstehen, wodurch ihre Ergebnisse genauer und zuverlässiger werden. Durch den Einsatz von KI können Forschende ein umfassenderes Verständnis städtischer Räume und der Herausforderungen entwickeln, mit denen Stadtbewohner konfrontiert sind, was zu besseren Maßnahmen und Lösungen führt.

Danke, dass du über Andreas Erfahrungen mit YOLOv5 gelesen hast! Möchtest du deine Erfahrungen teilen? Markiere uns überall mit @Ultralytics und deinem ganz eigenen Ultralytics YOLO-Anwendungsfall – wir stellen deine Arbeit der ML-Community vor.