17. Februar 2023
Entdecken Sie, wie KI und YOLOv5 die Messung der städtischen Lebensqualität innovieren und so eine effektive Politikgestaltung unterstützen und städtische Herausforderungen angehen. Entdecken Sie die Auswirkungen von Ultralytics.
Die genaue Messung der Qualität städtischer Räume ist ein entscheidender Aspekt bei der Entwicklung wirksamer Strategien zur Bewältigung der verschiedenen Herausforderungen, mit denen Stadtbewohner konfrontiert sind, wie Armut, Infrastruktur, Verkehr, Gesundheit und Sicherheit. Traditionelle Methoden zur Erhebung sozioökonomischer Daten wie Kriminalitätsraten, Einkommensniveau und Wohnverhältnisse durch gelegentliche Bürgerbefragungen sind jedoch unzureichend, da sie selten, teuer sind und auf menschlicher Wahrnehmung beruhen, was zu einem veralteten Bild der Verhältnisse auf Stadtteilebene führt.
Der Einsatz von KI in diesem Bereich erfreut sich zunehmender Beliebtheit, wobei Forscher mit Satellitenbildern experimentieren, um die Zersiedelung zu quantifizieren, und Machine-Learning-Projekte durchführen, um großflächige Kartierungen von Armut, Reichtum und Einkommen in Entwicklungsländern zu erstellen. Trotz dieser Fortschritte ist die physische Landschaft in städtischen Umgebungen und ihre Veränderungen im Laufe der Zeit noch nicht vollständig erforscht.
Laut Andrea Vallebueno "gibt es keine angemessene Messung, die die Qualität des städtischen Raums, seine Veränderung im Laufe der Zeit und die räumliche Ungleichheit, die er aufweist, dokumentiert." Andrea arbeitete mit ihrem Co-Autor Yong Suk Lee zusammen, um diese Lücke zu schließen, indem sie hochfrequente Google Street View-Bilder verwendete und Paneldaten auf Straßensegmentebene erstellte, was sie zu Pionieren auf diesem Gebiet machte.
Andrea Vallebueno ist Research Fellow of Computational Science am Regulation, Evaluation, and Governance Lab der Stanford University.
Andreas Leidenschaft für die Nutzung von Data Science für soziale Zwecke führte sie dazu, den Einsatz von Machine Learning und Vision AI zu erforschen. Mit einem wirtschaftswissenschaftlichen Hintergrund und einem Master-Abschluss in Data Science von Stanford verwendet Andrea YOLOv5 seit etwa anderthalb Jahren.
Als Kind in Mexiko-Stadt war sich Andrea der dramatischen Unterschiede zwischen Stadtteilen wie Santa Fe, wo eine große Betonmauer die Reichen von den Armen trennte, sehr bewusst. Als Data-Scientist-Forscherin machte sich Vallebueno Sorgen darüber, wie traditionelle Wirtschaftsdaten diese extremen Unterschiede übersehen und die Indikatoren für Ungleichheit und städtischen Verfall verschleiern. Ihr wurde klar, dass der Mangel an detaillierten Daten mit dem wachsenden Zustrom von Menschen in die Städte weltweit nur zu einem dringlicheren Problem werden würde.
Andrea und Yong zielten darauf ab, ein objektives Maß für urbanen Verfall zu schaffen. Sie verwendeten Objekterkennung in Google Street View-Bildern, um acht urbane Merkmale zu erfassen, die auf urbanen Verfall hindeuten. Sie wählten YOLOv5 aufgrund seiner Inferenzgeschwindigkeit und der Verwendung von Kontextinformationen, was für ihren Anwendungsfall entscheidend war.
Das trainierte Modell wurde verwendet, um Inferenz auf 114.000 Street View-Bildern aus verschiedenen Stadtteilen in San Francisco, Mexiko-Stadt und South Bend durchzuführen. Die Erkennungen der acht Attribute wurden auf der Ebene der Straßenabschnitte aggregiert, um Indizes für den städtischen Verfall zu erstellen und die Veränderung des Auftretens von städtischem Verfall im Laufe der Zeit zu messen.
Andrea und ihr Team empfanden die Arbeit mit YOLOv5 als unglaublich einfach, wobei sie den Großteil ihrer Zeit mit der Zusammenstellung ihres Datensatzes und dem Training ihrer Modelle verbrachten. Sie schätzten die Integration mit Tools zur Verfolgung von Experimenten und das automatische Lernen von Bounding Boxes, was den Prozess wesentlich zugänglicher machte.
Andrea und ihr Team freuen sich darauf, ihr Maß für urbane Qualität um positive Eigenschaften der physischen urbanen Umgebung zu erweitern und die Leistung dieser Indizes in einer vielfältigen Gruppe von urbanen Nachbarschaften zu testen.
Visualisierung der Menge an Modellerkennungen von Zelten/Planen, die im Laufe der Zeit als Obdachlosenunterkünfte in der Nachbarschaft von Tenderloin, San Francisco, verwendet wurden.
Für KI-Neulinge empfiehlt Andrea, ein Problem oder eine Forschungsfrage zu finden, für die sie sich begeistern, und den gesamten KI-Lebenszyklus zu durchlaufen. Sie glaubt, dass dies eine der besten Möglichkeiten ist, um Intuition aufzubauen und die Grenzen ihres Modells zu verstehen.
KI entwickelt sich zunehmend zu einem entscheidenden Werkzeug für Universitäten und Forschende, da sie es 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 von urbanen Räumen und den Herausforderungen, denen sich Stadtbewohner stellen müssen, entwickeln, was zu besseren Strategien und Lösungen führt.
Vielen Dank, dass Sie über Andreas Erfahrungen mit YOLOv5 gelesen haben! Möchten Sie Ihre Erfahrungen teilen? Markieren Sie uns überall @Ultralytics mit Ihrem ganz eigenen Ultralytics YOLO Anwendungsfall und wir werden Ihre Arbeit in der ML-Community bewerben.
