17 de febrero de 2023
Explore cómo la IA y YOLOv5 innovan en la medición de la calidad urbana, lo que ayuda a la formulación de políticas eficaces y a abordar los desafíos urbanos. Descubra el impacto de Ultralytics.
La medición precisa de la calidad de los espacios urbanos es un aspecto crítico en la creación de políticas eficaces que aborden los diversos desafíos que enfrentan los habitantes urbanos, 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 vivienda a través de encuestas ocasionales a los ciudadanos, son inadecuados, ya que son poco frecuentes, costosos y se basan en la percepción humana, lo que lleva a una imagen obsoleta 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 de satélite para cuantificar la expansión urbana y proyectos de machine learning para generar mapas a gran escala de la pobreza, la riqueza y los ingresos en los 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 colaboró 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, convirtiéndose en los pioneros en este campo.
Andrea Vallebueno es investigadora de Ciencia Computacional 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 visión artificial. Con una formación en economía y un máster en ciencia de datos de Stanford, Andrea ha estado utilizando YOLOv5 durante aproximadamente un año y medio.
Cuando era 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 ricos de pobres. Como investigadora científica de datos, a Vallebueno le preocupó 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 no haría sino convertirse en un problema 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 que son indicativas del deterioro urbano. Eligieron YOLOv5 debido a su velocidad de inferencia y al uso de información contextual, que 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 vecindarios en 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 encontraron que YOLOv5 era increíblemente fácil de usar, y la mayor parte de su tiempo la dedicaron a la selección de su conjunto de datos y al entrenamiento de sus modelos. Apreciaron la integración con las herramientas de seguimiento de experimentos y el aprendizaje automático de los cuadros delimitadores, 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 urbano físico 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.
Para aquellos que son nuevos en la IA, Andrea recomienda encontrar un problema o pregunta de investigación que les apasione y pasar por todo el ciclo de vida de la IA. Ella cree que esta es una de las mejores maneras de construir 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, lo que hace 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 retos a los que se enfrentan los habitantes de las ciudades, lo que conduce a mejores políticas y soluciones.
¡Gracias por leer sobre la experiencia de Andrea con YOLOv5! ¿Le gustaría compartir su experiencia? Etiquétanos en todas partes @Ultralytics con su propio caso de uso de Ultralytics YOLO y promocionaremos su trabajo a la comunidad de ML.
