Découvrir les signes de déclin urbain : Le pouvoir de l'IA dans l'urbanisme

Mesurer avec précision la qualité des espaces urbains est un aspect essentiel pour créer des politiques efficaces qui s'attaquent aux divers défis rencontrés par les citadins, tels que la pauvreté, l'infrastructure, le transport, la santé et la sécurité. Cependant, les méthodes traditionnelles de collecte de données socio-économiques, comme les taux de criminalité, les niveaux de revenu et les conditions de logement via des enquêtes citoyennes occasionnelles, sont inadéquates car elles sont peu fréquentes, coûteuses et reposent sur la perception humaine, menant à une image obsolète des conditions au niveau d'un quartier.

L'utilisation de l'IA dans ce domaine gagne rapidement en popularité, avec des chercheurs expérimentant l'imagerie satellite pour quantifier l'étalement urbain et des projets d'apprentissage automatique pour générer des cartographies à grande échelle de la pauvreté, de la richesse et du revenu dans les pays en développement. Malgré ces avancées, le paysage physique au sein des environnements urbains et la manière dont il change au fil du temps n'ont pas encore été pleinement explorés.

Selon Andrea Vallebueno, "il n'existe aucune mesure adéquate qui documente la qualité de l'espace urbain, son évolution dans le temps et l'inégalité spatiale qu'il présente." Andrea a travaillé avec son co-auteur, Yong Suk Lee, pour combler cette lacune en utilisant des images haute fréquence de Google Street View et en construisant des données de panel au niveau du segment de rue, faisant d'eux les pionniers dans ce domaine.

Andrea Vallebueno est chercheuse en informatique au Stanford University’s Regulation, Evaluation, and Governance Lab.

Link to this sectionFaire le bien avec l'IA#

La passion d'Andrea pour l'utilisation de la science des données à des fins sociales l'a conduite à explorer l'apprentissage automatique et l'IA par vision. Avec un parcours en économie et un Master en Data Science de Stanford, Andrea utilise YOLOv5 depuis environ un an et demi.

Enfant à Mexico, Andrea était vivement consciente des disparités spectaculaires entre des quartiers comme Santa Fe, où un grand mur de béton séparait les riches des pauvres. En tant que chercheuse en science des données, Vallebueno s'est préoccupée de la façon dont les données économiques traditionnelles négligent ces différences extrêmes, masquant les indicateurs d'inégalité et de déclin urbain. Elle a réalisé qu'avec l'afflux croissant de personnes s'installant dans les villes du monde entier, le manque de données détaillées ne ferait que devenir un problème plus urgent.

Link to this sectionPourquoi YOLOv5 ?#

Andrea et Yong ont cherché à créer une mesure objective de la dégradation urbaine. Ils ont utilisé la détection d'objets dans l'imagerie Google Street View pour capturer huit caractéristiques urbaines indicatrices de la dégradation. Ils ont choisi YOLOv5 en raison de sa vitesse d'inférence et de l'utilisation d'informations contextuelles, ce qui était crucial pour leur cas d'utilisation.

Le modèle entraîné a été utilisé pour effectuer des inférences sur 114 000 images street view provenant de différents quartiers de San Francisco, Mexico et South Bend. Les détections des huit attributs ont été agrégées au niveau du segment de rue pour générer des indices de dégradation urbaine et mesurer l'évolution de l'incidence de cette dégradation au fil du temps.

Mexico, MX

San Francisco, CA

Andrea et son équipe ont trouvé YOLOv5 incroyablement facile à utiliser, la majeure partie de leur temps ayant été consacrée à la curation de leur jeu de données et à l'entraînement de leurs modèles. Ils ont apprécié l'intégration avec des outils de suivi d'expériences et l'apprentissage automatique des boîtes englobantes, ce qui a rendu le processus beaucoup plus accessible.

Andrea et son équipe sont impatientes d'étendre leur mesure de la qualité urbaine pour inclure des attributs positifs de l'environnement physique urbain et tester la performance de ces indices dans un ensemble diversifié de quartiers urbains.

Visualisation de l'ensemble des détections du modèle concernant les tentes/bâches utilisées comme habitations précaires au fil du temps dans le quartier de Tenderloin, San Francisco.

Link to this sectionConseils pour bien démarrer dans l'IA#

Pour ceux qui débutent dans l'IA, Andrea recommande de trouver un problème ou une question de recherche qui les passionne et de suivre l'intégralité du cycle de vie de l'IA. Elle estime que c'est l'un des meilleurs moyens de développer son intuition et de comprendre les limites de son modèle.

L'IA devient de plus en plus un outil crucial pour les universités et les chercheurs, car elle leur permet d'explorer et de comprendre des ensembles de données complexes, rendant leurs conclusions plus précises et fiables. En tirant parti de l'IA, les chercheurs peuvent créer une compréhension plus complète des espaces urbains et des défis auxquels les citadins sont confrontés, menant à de meilleures politiques et solutions.

Merci d'avoir lu l'expérience d'Andrea avec YOLOv5 ! Souhaites-tu partager ton expérience ? Identifie-nous partout @Ultralytics avec ton propre cas d'utilisation Ultralytics YOLO et nous ferons la promotion de ton travail auprès de la communauté ML.