Révéler les signes du déclin urbain : la puissance de l’AI dans l’aménagement urbain

Mesurer précisément la qualité des espaces urbains est essentiel pour élaborer des politiques efficaces qui s’attaquent aux divers problèmes auxquels sont confrontés les citadins, comme la pauvreté, les infrastructures, les transports, la santé et la sécurité. Cependant, les méthodes traditionnelles de collecte de données socioéconomiques, telles que les taux de criminalité, les niveaux de revenus et les conditions de logement, au moyen d’enquêtes ponctuelles auprès des citoyens, sont inadéquates, car elles sont peu fréquentes, coûteuses et reposent sur la perception humaine, ce qui donne une image obsolète de la situation à l’échelle des quartiers.

L’utilisation de l’IA dans ce domaine gagne rapidement en popularité : des chercheurs expérimentent l’imagerie satellitaire pour quantifier l’étalement urbain, ainsi que des projets de machine learning pour produire des cartographies à grande échelle de la pauvreté, de la richesse et des revenus dans les pays en développement. Malgré ces avancées, le paysage physique des environnements urbains et son évolution au fil du temps n’ont pas encore été pleinement étudiés.

Selon Andrea Vallebueno, « il n’existe aucune mesure adéquate qui documente la qualité de l’espace urbain, son évolution au fil du temps et les inégalités spatiales qu’il présente. » Andrea a travaillé avec son coauteur, Yong Suk Lee, pour combler cette lacune en utilisant des images Google Street View haute fréquence et en construisant des données de panel à l’échelle des segments de rue, devenant ainsi les pionniers dans ce domaine.

Andrea Vallebueno est chercheuse en sciences computationnelles au Regulation, Evaluation, and Governance Lab de Stanford University.

Faire le bien grâce à l’IA#

La passion d’Andrea pour l’utilisation de la data science dans des applications au service du bien social l’a conduite à explorer le machine learning et l’IA appliquée à la vision. Titulaire d’une formation en économie et d’un master en data science de Stanford, Andrea utilise Ultralytics YOLOv5 depuis environ un an et demi.

Enfant à Mexico, Andrea était vivement consciente des écarts considérables entre des quartiers comme Santa Fe, où un grand mur en béton séparait les riches des pauvres. En tant que chercheuse en data science, Vallebueno s’est inquiétée de la façon dont les données économiques traditionnelles passent à côté de ces différences extrêmes, masquant les indicateurs d’inégalité et de déclin urbain. Elle a compris qu’avec l’afflux croissant de personnes s’installant dans les villes du monde entier, le manque de données détaillées deviendrait un problème de plus en plus urgent.

Pourquoi Ultralytics YOLOv5 ?#

Andrea et Yong cherchaient à créer une mesure objective de la dégradation urbaine. Ils ont utilisé la détection d’objets dans des images Google Street View afin de capturer huit caractéristiques urbaines révélatrices de la dégradation urbaine. Ils ont choisi YOLOv5 pour sa vitesse d’inférence et son utilisation des informations contextuelles, essentielles à leur cas d’usage.

Le modèle entraîné a été utilisé pour effectuer des inférences sur 114 000 images Street View prises dans différents quartiers de San Francisco, de Mexico et de South Bend. Les détections des huit attributs ont été agrégées à l’échelle des segments de rue afin de générer des indices de dégradation urbaine et de mesurer l’évolution de son incidence au fil du temps.

Mexico, Mexique

San Francisco, Californie

Andrea et son équipe ont trouvé Ultralytics YOLOv5 incroyablement facile à utiliser, la majeure partie de leur temps étant consacrée à la sélection de leur jeu de données et à l’entraînement de leurs modèles. Ils ont apprécié l’intégration avec les outils de suivi des expériences, ainsi que l’apprentissage automatique des boîtes englobantes, qui a rendu le processus beaucoup plus accessible.

Andrea et son équipe sont impatients d’élargir leur mesure de la qualité urbaine pour inclure les attributs positifs de l’environnement urbain physique et de tester les performances de ces indices dans un ensemble diversifié de quartiers urbains.

Visualisation de l’ensemble des détections du modèle concernant les tentes et bâches utilisées comme habitations par des personnes sans domicile au fil du temps dans le quartier de Tenderloin, à San Francisco.

Conseils pour débuter dans l’IA#

Pour les personnes 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 indispensable aux universités et aux chercheurs, car elle leur permet d’explorer et de comprendre des ensembles de données complexes, rendant leurs résultats plus précis et plus fiables. En exploitant l’IA, les chercheurs peuvent acquérir une compréhension plus complète des espaces urbains et des difficultés auxquelles les citadins sont confrontés, ce qui permet d’élaborer de meilleures politiques et solutions.

Merci d’avoir lu le récit de l’expérience d’Andrea avec YOLOv5 ! Tu souhaites partager ton expérience ? Identifie-nous partout avec @Ultralytics en présentant ton propre cas d’usage d’Ultralytics YOLO, et nous ferons connaître ton travail à la communauté ML.