Descubriendo signos de declive urbano: El poder de la IA en la planificación urbana
Explora cómo la IA y YOLOv5 innovan en la medición de la calidad urbana, ayudando a la toma de decisiones eficaz y abordando los retos urbanos. Descubre el impacto de Ultralytics.
La medición precisa de la calidad de los espacios urbanos es un aspecto crítico para crear políticas eficaces que aborden los diversos desafíos a los que se enfrentan los habitantes de las ciudades, como la pobreza, la infraestructura, el transporte, la salud y la seguridad. Sin embargo, los métodos tradicionales de recopilación de datos socioeconómicos, como las tasas de criminalidad, los niveles de ingresos y las condiciones de la vivienda a través de encuestas ciudadanas ocasionales, son inadecuados, ya que son poco frecuentes, costosos y dependen de la percepción humana, lo que conduce a una imagen desactualizada de las condiciones a nivel de barrio.
El uso de la IA en este campo está ganando popularidad rápidamente, con investigadores experimentando con imágenes satelitales para cuantificar la expansión urbana y proyectos de aprendizaje automático para generar mapas a gran escala de la pobreza, la riqueza y los ingresos en países en desarrollo. A pesar de estos avances, el paisaje físico dentro de los entornos urbanos y cómo cambia con el tiempo aún no se ha explorado por completo.
Según Andrea Vallebueno, "no existe una medida adecuada que documente la calidad del espacio urbano, su cambio a lo largo del tiempo y la desigualdad espacial que presenta". Andrea trabajó con su coautor, Yong Suk Lee, para llenar este vacío mediante el uso de imágenes de Google Street View de alta frecuencia y la construcción de datos de panel a nivel de segmento de calle, convirtiéndose en los pioneros en este campo.
Andrea Vallebueno es investigadora de Ciencias Computacionales en el Stanford University’s Regulation, Evaluation, and Governance Lab.
Link to this sectionHacer el bien con la IA#
La pasión de Andrea por utilizar la ciencia de datos para aplicaciones de bien social la llevó a explorar el uso del aprendizaje automático y la IA de visión. Con formación en economía y una maestría en Ciencia de Datos por Stanford, Andrea ha estado usando YOLOv5 durante aproximadamente un año y medio.
De niña en Ciudad de México, Andrea era muy consciente de las disparidades dramáticas entre barrios como Santa Fe, donde un gran muro de hormigón separaba a los ricos de los pobres. Como investigadora científica de datos, a Vallebueno le empezó a preocupar cómo los datos económicos tradicionales pasan por alto estas diferencias extremas, oscureciendo los indicadores de desigualdad y declive urbano. Se dio cuenta de que, con la creciente afluencia de personas que se mudan a las ciudades de todo el mundo, la falta de datos detallados solo se convertiría en un problema más urgente.
Link to this section¿Por qué YOLOv5?#
Andrea y Yong buscaron crear una medida objetiva del deterioro urbano. Utilizaron la detección de objetos en imágenes de Google Street View para capturar ocho características urbanas que son indicativas de deterioro urbano. Eligieron YOLOv5 debido a su velocidad de inferencia y al uso de información contextual, lo cual fue crucial para su caso de uso.
El modelo entrenado se utilizó para ejecutar la inferencia en 114,000 imágenes de Street View de diferentes barrios de San Francisco, Ciudad de México y South Bend. Las detecciones de los ocho atributos se agregaron a nivel de segmento de calle para generar índices de deterioro urbano y medir el cambio en la incidencia del deterioro urbano a lo largo del tiempo.
Ciudad de México, MX
San Francisco, CA
Andrea y su equipo encontraron que YOLOv5 es increíblemente fácil de usar, y la mayor parte de su tiempo lo dedicaron a curar su conjunto de datos y entrenar sus modelos. Valoraron la integración con herramientas de seguimiento de experimentos y el aprendizaje automático de cajas delimitadoras, lo que hizo que el proceso fuera mucho más accesible.
Andrea y su equipo están entusiasmados por ampliar su medida de calidad urbana para incluir atributos positivos del entorno físico urbano y probar el rendimiento de estos índices en un conjunto diverso de barrios urbanos.
Visualización del conjunto de detecciones del modelo de tiendas de campaña/lonas utilizadas como viviendas para personas sin hogar a lo largo del tiempo en el barrio de Tenderloin, San Francisco.
Link to this sectionConsejos para empezar en la IA#
Para aquellos que son nuevos en la IA, Andrea recomienda encontrar un problema o pregunta de investigación que les apasione y recorrer el ciclo de vida completo de la IA. Ella cree que esta es una de las mejores formas de desarrollar la intuición y comprender las limitaciones de su modelo.
La IA se está convirtiendo cada vez más en una herramienta crucial para universidades e investigadores, ya que les permite explorar y comprender conjuntos de datos complejos, haciendo que sus hallazgos sean más precisos y fiables. Al aprovechar la IA, los investigadores pueden crear una comprensión más completa de los espacios urbanos y los desafíos que enfrentan los habitantes de las ciudades, lo que lleva a mejores políticas y soluciones.
¡Gracias por leer sobre la experiencia de Andrea con YOLOv5! ¿Te gustaría compartir tu experiencia? Etiquétanos en todas partes @Ultralytics con tu propio caso de uso de Ultralytics YOLO y promoveremos tu trabajo en la comunidad de ML.
