17. Februar 2023
Erfahren Sie, wie KI und YOLOv5 die Messung der städtischen Qualität innovativ gestalten und so zu einer effektiven Politikgestaltung und zur Bewältigung städtischer Herausforderungen beitragen. Entdecken Sie die Wirkung 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.
Andrea Vallebueno zufolge "gibt es kein angemessenes Maß, das die Qualität des städtischen Raums, seine Veränderung im Laufe der Zeit und die räumliche Ungleichheit, die er darstellt, dokumentiert". Andrea Vallebueno und ihr Co-Autor Yong Suk Lee haben diese Lücke durch die Verwendung von hochfrequenten Google Street View-Bildern und die Erstellung von Paneldaten auf segment geschlossen und sind damit Pioniere auf diesem Gebiet.
Andrea Vallebueno ist Research Fellow of Computational Science am Regulation, Evaluation, and Governance Lab der Stanford University.
Andrea's Leidenschaft für die Nutzung von Datenwissenschaft für Anwendungen im sozialen Bereich brachte sie dazu, die Nutzung von maschinellem Lernen und KI zu erforschen. Mit einem wirtschaftswissenschaftlichen Hintergrund und einem Master-Abschluss in Data Science von Stanford nutzt Andrea YOLOv5 seit etwa eineinhalb 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 wollten ein objektives Maß für den städtischen Verfall schaffen. Sie nutzten die Objekterkennung in Google Street View-Bildern, um acht städtische Merkmale zu erfassen, die auf den städtischen Verfall hinweisen. Sie wählten YOLOv5 aufgrund seiner schnellen Inferenz und der Verwendung von Kontextinformationen, die für ihren Anwendungsfall entscheidend waren.
Das trainierte Modell wurde verwendet, um 114.000 Straßenansichten aus verschiedenen Stadtvierteln in San Francisco, Mexiko-Stadt und South Bend zu analysieren. Die Erkennungen der acht Attribute wurden auf der Ebene der segment aggregiert, um Indizes des städtischen Verfalls zu erstellen und die Veränderung der Häufigkeit des städtischen Verfalls im Laufe der Zeit zu messen.
Andrea und ihr Team fanden, dass die Arbeit mit YOLOv5 unglaublich einfach ist. Sie verbrachten die meiste Zeit damit, ihren Datensatz zu kuratieren und ihre Modelle zu trainieren. Sie schätzten die Integration mit Werkzeugen zur Verfolgung von Experimenten und das automatische Lernen von Bounding Boxes, was den Prozess sehr viel 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.
Danke, dass Sie über Andrea's Erfahrungen mit YOLOv5 gelesen haben! Möchten Sie Ihre Erfahrungen teilen? Taggen Sie uns überall Ultralytics mit Ihrer ganz eigenen Ultralytics YOLO Anwendungsfall und wir werden Ihre Arbeit in der ML-Community bekannt machen.
