Anzeichen von städtischem Verfall aufdecken: Die Kraft der KI in der Stadtplanung

Die genaue Messung der Qualität städtischer Räume ist ein entscheidender Aspekt bei der Schaffung effektiver Richtlinien, um die verschiedenen Herausforderungen anzugehen, mit denen Stadtbewohner konfrontiert sind, wie Armut, Infrastruktur, Verkehr, Gesundheit und Sicherheit. Herkömmliche Methoden zur Erhebung sozioökonomischer Daten wie Kriminalitätsraten, Einkommensniveaus und Wohnbedingungen durch gelegentliche Bürgerbefragungen sind jedoch unzureichend, da sie selten durchgeführt werden, teuer sind und auf menschlicher Wahrnehmung beruhen, was zu einem veralteten Bild der Bedingungen auf Nachbarschaftsebene führt.

Der Einsatz von KI in diesem Bereich gewinnt schnell an Popularität, wobei Forscher mit Satellitenbildern experimentieren, um die Zersiedelung zu quantifizieren, und Projekte des maschinellen Lernens nutzen, um großflächige Kartierungen von Armut, Wohlstand und Einkommen in Entwicklungsländern zu erstellen. Trotz dieser Fortschritte wurde die physische Landschaft in städtischen Umgebungen und ihre Veränderung im Laufe der Zeit noch nicht vollständig erforscht.

Laut Andrea Vallebueno "gibt es kein adäquates Maß, das 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 konstruierte, was sie zu Pionieren auf diesem Gebiet macht.

Andrea Vallebueno ist wissenschaftliche Mitarbeiterin für Computerwissenschaften am Stanford University’s Regulation, Evaluation, and Governance Lab.

Link to this sectionGutes tun mit KI#

Andreas Leidenschaft, Data Science für gesellschaftlich nützliche Anwendungen einzusetzen, führte sie dazu, den Einsatz von maschinellem Lernen und Vision AI zu erforschen. Mit einem wirtschaftswissenschaftlichen Hintergrund und einem Master-Abschluss in Data Science aus Stanford verwendet Andrea nun seit etwa anderthalb Jahren YOLOv5.

Als Kind in Mexiko-Stadt war sich Andrea der dramatischen Unterschiede zwischen Vierteln wie Santa Fe, wo eine große Betonmauer die Reichen von den Armen trennte, schmerzlich bewusst. Als Datenwissenschaftlerin wurde Vallebueno besorgt darüber, wie herkömmliche Wirtschaftsdaten diese extremen Unterschiede übersehen und die Indikatoren für Ungleichheit und städtischen Verfall verschleiern. Sie erkannte, dass der Mangel an detaillierten Daten mit dem wachsenden Zustrom von Menschen in die Städte weltweit nur noch zu einem dringenderen Problem werden würde.

Link to this sectionWarum YOLOv5?#

Andrea und Yong zielten darauf ab, ein objektives Maß für städtischen Verfall zu schaffen. Sie nutzten Objekterkennung in Google Street View-Bildern, um acht städtische Merkmale zu erfassen, die auf städtischen Verfall hindeuten. Sie entschieden sich für YOLOv5 aufgrund seiner Inferenzgeschwindigkeit und der Nutzung kontextueller Informationen, was für ihren Anwendungsfall entscheidend war.

Das trainierte Modell wurde verwendet, um eine Inferenz auf 114.000 Street View-Bildern aus verschiedenen Stadtvierteln in San Francisco, Mexiko-Stadt und South Bend durchzuführen. Die Erkennungen der acht Attribute wurden auf Straßensegmentebene aggregiert, um Indizes für städtischen Verfall zu generieren und die Veränderung des Auftretens von städtischem Verfall im Laufe der Zeit zu messen.

Mexiko-Stadt, MX

San Francisco, CA

Andrea und ihr Team empfanden YOLOv5 als unglaublich einfach in der Handhabung; die meiste Zeit investierten sie in die Kuratierung ihres Datensatzes und das Training ihrer Modelle. Sie schätzten die Integration mit Tools zur Experimentverfolgung und das automatische Lernen von BBox, was den Prozess wesentlich zugänglicher machte.

Andrea und ihr Team sind begeistert davon, ihr Maß für städtische Qualität zu erweitern, um positive Attribute der physischen städtischen Umgebung einzubeziehen und die Leistung dieser Indizes in einer Vielzahl städtischer Nachbarschaften zu testen.

Visualisierung der Modellerkennungen von Zelten/Planen, die als Obdachlosenunterkünfte dienen, im Laufe der Zeit im Viertel Tenderloin, San Francisco.

Link to this sectionRatschläge für deinen Einstieg in die KI#

Für diejenigen, die neu in der KI sind, empfiehlt Andrea, ein Problem oder eine Forschungsfrage zu finden, für das sie sich begeistern, und den gesamten KI-Lebenszyklus zu durchlaufen. Sie glaubt, dass dies eine der besten Möglichkeiten ist, Intuition aufzubauen und die Grenzen ihres Modells zu verstehen.

KI wird zunehmend zu einem entscheidenden Werkzeug für Universitäten und Forscher, da sie es ihnen ermöglicht, komplexe Datensätze zu erforschen und zu verstehen, wodurch ihre Ergebnisse genauer und zuverlässiger werden. Durch den Einsatz von KI können Forscher ein umfassenderes Verständnis städtischer Räume und der Herausforderungen entwickeln, denen sich Stadtbewohner gegenübersehen, was zu besseren Richtlinien und Lösungen führt.

Danke, dass du Andreas Erfahrung mit YOLOv5 gelesen hast! Möchtest du deine Erfahrung teilen? Markiere uns überall unter @Ultralytics mit deinem eigenen Ultralytics YOLO Anwendungsfall und wir werden deine Arbeit in der ML-Community bewerben.