17 de febrero de 2023
Explore cómo la IA y YOLOv5 innovan la medición de la calidad urbana, contribuyendo a la elaboración de políticas eficaces y abordando los retos urbanos. Descubra 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 retos a los que se enfrentan los habitantes de las ciudades, como la pobreza, las infraestructuras, el transporte, la salud y la seguridad. Sin embargo, los métodos tradicionales de recopilación de datos socioeconómicos como los índices de delincuencia, los niveles de ingresos y las condiciones de vivienda mediante encuestas ciudadanas ocasionales son inadecuados, ya que son poco frecuentes, caros y se basan en la percepción humana, lo que da lugar a una imagen desfasada de las condiciones a nivel de barrio.
El uso de la IA en este campo está ganando popularidad rápidamente, con investigadores que experimentan con imágenes por satélite 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 los países en desarrollo. A pesar de estos avances, aún no se ha explorado a fondo el paisaje físico de los entornos urbanos ni cómo cambia con el tiempo.
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 utilizando imágenes de alta frecuencia de Google Street View y construyendo datos de panel a nivel de segmento de calle, lo que les convierte en pioneros en este campo.
Andrea Vallebueno es investigadora de Ciencias Computacionales en el Laboratorio de Regulación, Evaluación y Gobernanza de la Universidad de Stanford.
La pasión de Andrea por el uso de 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 un máster en Ciencia de Datos por Stanford, Andrea lleva utilizando YOLOv5 desde hace aproximadamente un año y medio.
De niña en Ciudad de México, Andrea era muy consciente de las dramáticas disparidades entre barrios como Santa Fe, donde un gran muro de hormigón separaba a los ricos de los pobres. Como investigadora científica de datos, Vallebueno empezó a preocuparse por cómo los datos económicos tradicionales pasan por alto estas diferencias extremas, ocultando los indicadores de desigualdad y declive urbano. Se dio cuenta de que con la creciente afluencia de personas a las ciudades de todo el mundo, la falta de datos detallados se convertiría en un problema cada vez más acuciante.
Andrea y Yong pretendían crear una medida objetiva del deterioro urbano. Utilizaron la detección de objetos en imágenes de Google Street View para capturar ocho características urbanas indicativas del deterioro urbano. Eligieron YOLOv5 por su velocidad de inferencia y el uso de información contextual, crucial para su caso de uso.
El modelo entrenado se utilizó para realizar inferencias en 114.000 imágenes de vistas de calles de distintos 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.
Andrea y su equipo consideraron que YOLOv5 era increíblemente fácil de utilizar, y dedicaron la mayor parte del tiempo a recopilar su conjunto de datos y entrenar sus modelos. Apreciaron la integración con las herramientas de seguimiento de experimentos y el aprendizaje automático de los cuadros delimitadores, que hicieron el proceso mucho más accesible.
Andrea y su equipo están entusiasmados con la idea de ampliar su medida de la 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 de modelos de tiendas/toldos utilizados como viviendas para personas sin hogar a lo largo del tiempo en el barrio de Tenderloin, San Francisco.
Para los que se inician en la IA, Andrea recomienda encontrar un problema o una pregunta de investigación que les apasione y recorrer todo el ciclo de vida de la IA. 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 las universidades y los investigadores, ya que les permite explorar y comprender conjuntos de datos complejos, haciendo que sus conclusiones sean más precisas y fiables. Aprovechando la IA, los investigadores pueden comprender mejor los espacios urbanos y los retos a los que se enfrentan sus habitantes, lo que permite mejorar las políticas y las soluciones.
¡Gracias por leer la experiencia de Andrea con YOLOv5! ¿Te gustaría compartir tu experiencia? Etiquétenos en todas partes @Ultralytics con su propio Ultralytics YOLO y promocionaremos tu trabajo entre la comunidad de ML.
.webp)