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 politischer Maßnahmen zur Bewältigung der verschiedenen Herausforderungen, mit denen die Stadtbewohner konfrontiert sind, wie Armut, Infrastruktur, Verkehr, Gesundheit und Sicherheit. Herkömmliche Methoden zur Erhebung sozioökonomischer Daten wie Kriminalitätsraten, Einkommensniveaus und Wohnverhältnisse durch gelegentliche Bürgerbefragungen sind jedoch unzureichend, da sie unregelmäßig durchgeführt werden, teuer sind und sich auf die menschliche Wahrnehmung stützen, was zu einem veralteten Bild der Bedingungen auf Stadtteilebene führt.
Der Einsatz von KI in diesem Bereich gewinnt rasch an Popularität. So experimentieren Forscher mit Satellitenbildern, um die Zersiedelung zu quantifizieren, und mit Projekten des maschinellen Lernens, um groß angelegte Karten von Armut, Wohlstand und Einkommen in Entwicklungsländern zu erstellen. Trotz dieser Fortschritte muss die physische Landschaft in städtischen Umgebungen und ihre Veränderungen im Laufe der Zeit noch vollständig erforscht werden.
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 Straßenabschnittsebene geschlossen und sind damit Pioniere auf diesem Gebiet.
Andrea Vallebueno ist Research Fellow für Computational Science im Labor für Regulierung, Bewertung und Governance 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 Vallebueno der dramatischen Unterschiede zwischen Vierteln wie Santa Fe, wo eine große Betonmauer die Reichen von den Armen trennte, sehr wohl bewusst. Als Datenwissenschaftlerin machte sich Vallebueno Gedanken darüber, wie traditionelle Wirtschaftsdaten diese extremen Unterschiede übersehen und die Indikatoren für Ungleichheit und städtischen Niedergang verschleiern. Sie erkannte, dass mit dem wachsenden Zustrom von Menschen in die Städte weltweit der Mangel an detaillierten Daten zu einem noch 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 städtischen Verfall hindeuten. Sie entschieden sich für YOLOv5 aufgrund seiner schnellen Inferenz und der Verwendung von Kontextinformationen, was für ihren Anwendungsfall entscheidend war.
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 Straßensegmente 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 die städtische Qualität um positive Attribute der physischen städtischen Umwelt zu erweitern und die Leistung dieser Indizes in einer Reihe von Stadtvierteln zu testen.
Visualisierung der Modellerkennungen von Zelten/Tarps, die als Obdachlosenunterkünfte genutzt werden, im Laufe der Zeit im Stadtteil Tenderloin, San Francisco.
Neueinsteigern in die KI empfiehlt Andrea, sich ein Problem oder eine Forschungsfrage zu suchen, die ihnen am Herzen liegt, und den gesamten Lebenszyklus der KI zu durchlaufen. Sie glaubt, dass dies eine der besten Möglichkeiten ist, um Intuition zu entwickeln und die Grenzen ihres Modells zu verstehen.
KI wird zunehmend zu einem wichtigen Instrument für Universitäten und Forscher, 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 Forscher ein umfassenderes Verständnis für urbane Räume und die Herausforderungen, mit denen die Stadtbewohner konfrontiert sind, 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 Ihrem ganz eigenen Ultralytics YOLO Anwendungsfall und wir werden Ihre Arbeit in der ML-Community bekannt machen.
.webp)