Déceler les signes de déclin urbain : la puissance de l'IA dans l'urbanisme

Mesurer avec précision la qualité des espaces urbains est essentiel pour élaborer des politiques efficaces face aux différents défis rencontrés par les citadins, comme la pauvreté, les infrastructures, les transports, la santé et la sécurité. Cependant, les méthodes traditionnelles de collecte de données socio-économiques — par exemple sur la criminalité, les revenus et les conditions de logement — au moyen d’enquêtes ponctuelles auprès des habitants sont inadéquates : elles sont peu fréquentes, coûteuses et reposent sur la perception humaine, ce qui donne une image dépassée 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 satellite pour quantifier l’étalement urbain, tandis que des projets d’apprentissage automatique produisent des cartographies à grande échelle de la pauvreté, de la richesse et des revenus dans les pays en développement. Malgré ces progrès, 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 à haute fréquence et en constituant 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 l’Université Stanford.

Faire le bien grâce à l’IA#

La passion d’Andrea pour les applications de la science des données au service du bien commun l’a amenée à explorer l’apprentissage automatique et l’IA visuelle. Diplômée en économie et titulaire d’un master en science des données de Stanford, Andrea utilise Ultralytics YOLOv5 depuis environ un an et demi.

Enfant à Mexico, Andrea était pleinement consciente des fortes disparités entre les 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 inquiétée du fait que les données économiques traditionnelles ne rendaient pas compte de ces écarts extrêmes, masquant ainsi les indicateurs d’inégalité et de déclin urbain. Elle a compris que, face à l’afflux croissant de personnes dans les villes du monde entier, le manque de données détaillées ne ferait que devenir un problème plus pressant.

Pourquoi Ultralytics YOLOv5 ?#

Andrea et Yong voulaient créer une mesure objective du déclin urbain. Ils ont utilisé la détection d’objets sur des images Google Street View pour repérer huit caractéristiques urbaines révélatrices du déclin urbain. 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 servi à effectuer l’inférence sur 114 000 images Street View de différents quartiers de San Francisco, Mexico et South Bend. Les détections des huit attributs ont été agrégées à l’échelle des segments de rue afin de générer des indices de déclin urbain et de mesurer l’évolution de sa fréquence au fil du temps.

Mexico, MX

San Francisco, CA

Andrea et son équipe ont trouvé Ultralytics YOLOv5 très 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 et l’apprentissage automatique des boîtes d’ancrage, qui a rendu le processus beaucoup plus accessible.

Andrea et son équipe souhaitent étendre leur mesure de la qualité urbaine afin d’inclure les caractéristiques positives de l’environnement urbain physique et tester les performances de ces indices dans un ensemble diversifié de quartiers urbains.

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

Conseils pour se lancer dans l’IA#

Aux personnes qui découvrent l’IA, Andrea recommande de trouver un problème ou une question de recherche qui les passionne et de suivre l’ensemble 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 un outil de plus en plus essentiel pour les universités et les chercheurs, car elle leur permet d’explorer et de comprendre des jeux de données complexes, rendant leurs résultats plus précis et plus fiables. En exploitant l’IA, les chercheurs peuvent mieux appréhender les espaces urbains et les défis auxquels sont confrontés leurs habitants, ce qui permet d’élaborer de meilleures politiques et solutions.

Merci d’avoir lu le témoignage d’Andrea sur son expérience avec YOLOv5 ! Tu souhaites partager ton expérience ? Identifie-nous partout avec @Ultralytics et présente ton propre cas d’usage d’Ultralytics YOLO : nous ferons connaître ton travail à la communauté du ML.