Anzeichen für den Verfall von Städten aufdecken: Die Bedeutung von KI für die Stadtplanung

Die Qualität urbaner Räume präzise zu messen, ist entscheidend für die Entwicklung wirksamer politischer Maßnahmen gegen die vielfältigen Herausforderungen des Stadtlebens, etwa Armut, Infrastruktur, Verkehr, Gesundheit und Sicherheit. Herkömmliche Methoden zur Erhebung sozioökonomischer Daten wie Kriminalitätsraten, Einkommensniveau und Wohnverhältnisse – etwa gelegentliche Befragungen der Bevölkerung – reichen jedoch nicht aus. Sie werden nur selten durchgeführt, sind teuer und beruhen auf menschlicher Wahrnehmung. Dadurch entsteht ein veraltetes Bild der Verhältnisse auf Nachbarschaftsebene.

Der Einsatz von KI in diesem Bereich wird immer beliebter. Forschende experimentieren mit Satellitenbildern, um die Ausdehnung von Städten zu erfassen, und nutzen maschinelles Lernen, um großflächige Karten von Armut, Wohlstand und Einkommen in Entwicklungsländern zu erstellen. Trotz dieser Fortschritte sind die physische Beschaffenheit urbaner Räume und ihre Veränderungen im Laufe der Zeit noch nicht vollständig erforscht.

Laut Andrea Vallebueno „gibt es kein geeignetes Maß, das die Qualität urbaner Räume, ihre Veränderung im Laufe der Zeit und die darin auftretende räumliche Ungleichheit dokumentiert“. Gemeinsam mit ihrem Co-Autor Yong Suk Lee schloss Andrea diese Forschungslücke, indem sie häufig aufgenommene Google Street View-Bilder nutzten und Paneldaten auf Ebene einzelner Straßenabschnitte erstellten. Damit waren sie Vorreiter auf diesem Gebiet.

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

Mit KI Gutes bewirken#

Andreas Leidenschaft, Data Science für gesellschaftlich nützliche Anwendungen einzusetzen, führte sie dazu, sich mit maschinellem Lernen und KI für Bildverarbeitung zu beschäftigen. Mit einem wirtschaftswissenschaftlichen Hintergrund und einem Masterabschluss in Data Science von Stanford arbeitet Andrea seit etwa anderthalb Jahren mit Ultralytics YOLOv5.

Schon als Kind in Mexiko-Stadt nahm Andrea die drastischen Unterschiede zwischen Stadtvierteln wie Santa Fe sehr bewusst wahr, wo eine große Betonmauer die Reichen von den Armen trennte. Als Data-Science-Forscherin beschäftigte Vallebueno, dass herkömmliche Wirtschaftsdaten diese extremen Unterschiede nicht erfassen und so Anzeichen für Ungleichheit und den Verfall urbaner Räume verschleiern. Ihr wurde klar, dass der Mangel an detaillierten Daten mit dem zunehmenden Zuzug von Menschen in Städte auf der ganzen Welt immer problematischer werden würde.

Warum Ultralytics YOLOv5?#

Andrea und Yong wollten ein objektives Maß für den Verfall urbaner Räume entwickeln. Mithilfe der Objekterkennung in Google Street View-Bildern erfassten sie acht Merkmale, die auf den Verfall urbaner Räume hindeuten. Sie entschieden sich wegen der Inferenzgeschwindigkeit und der Nutzung von Kontextinformationen für YOLOv5, die für ihren Anwendungsfall entscheidend war.

Mit dem trainierten Modell wurden Inferenzläufe auf 114.000 Street View-Bildern aus verschiedenen Stadtvierteln in San Francisco, Mexiko-Stadt und South Bend durchgeführt. Die Erkennungen der acht Merkmale wurden auf Ebene der Straßenabschnitte zusammengeführt, um Indizes für den Verfall urbaner Räume zu erstellen und dessen Veränderung im Laufe der Zeit zu messen.

Mexiko-Stadt, MX

San Francisco, CA

Andrea und ihr Team fanden Ultralytics YOLOv5 ausgesprochen einfach in der Anwendung. Die meiste Zeit verbrachten sie mit der Zusammenstellung ihres Datensatzes und dem Training ihrer Modelle. Sie schätzten die Integration mit Tools zur Versuchsverfolgung und das automatische Lernen von Ankerboxen, wodurch der Prozess deutlich zugänglicher wurde.

Andrea und ihr Team freuen sich darauf, ihr Maß für die Qualität urbaner Räume um positive Merkmale der physischen Stadtumgebung zu erweitern und die Leistungsfähigkeit dieser Indizes in einer vielfältigen Auswahl urbaner Wohngebiete zu testen.

Visualisierung der Erkennungen des Modells von Zelten und Planen, die im Laufe der Zeit als Obdachlosenunterkünfte im Stadtviertel Tenderloin in San Francisco genutzt wurden.

Tipps für den Einstieg in die KI#

Wer neu in der KI ist, sollte laut Andrea ein Problem oder eine Forschungsfrage finden, für die er sich begeistert, und den gesamten KI-Lebenszyklus durchlaufen. Sie hält dies für eine der besten Möglichkeiten, ein Gespür für das Thema zu entwickeln und die Grenzen des eigenen Modells zu verstehen.

KI wird für Universitäten und Forschende immer wichtiger, da sie damit komplexe Datensätze untersuchen und verstehen können. Dadurch werden ihre Erkenntnisse genauer und zuverlässiger. Mithilfe von KI können Forschende ein umfassenderes Verständnis städtischer Räume und der Herausforderungen entwickeln, mit denen Stadtbewohner konfrontiert sind. Das führt zu besseren Richtlinien und Lösungen.

Vielen Dank, dass du über Andreas Erfahrungen mit YOLOv5 gelesen hast! Möchtest du deine Erfahrungen teilen? Markiere uns überall mit @Ultralytics und zeige uns deinen eigenen Anwendungsfall mit Ultralytics YOLO. Wir stellen deine Arbeit der ML-Community vor.