17 février 2023
Découvrez comment l'IA et YOLOv5 innovent dans la mesure de la qualité urbaine, aidant à l'élaboration de politiques efficaces et à la résolution des défis urbains. Découvrez l'impact d'Ultralytics.
La mesure précise de la qualité des espaces urbains est un aspect essentiel de la création de politiques efficaces pour relever les différents défis auxquels sont confrontés les citadins, tels que la pauvreté, les infrastructures, les transports, 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 par le biais d'enquêtes occasionnelles auprès des citoyens sont inadéquates, car elles sont peu fréquentes, coûteuses et reposent sur la perception humaine, ce qui donne une image dépassée des conditions au niveau d'un quartier.
L'utilisation de l'IA dans ce domaine gagne rapidement en popularité, les chercheurs expérimentant avec l'imagerie satellite pour quantifier l'étalement urbain et les projets de machine learning pour générer 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 au sein des environnements urbains et son évolution au fil du temps n'ont pas encore été entièrement explorés.
Selon Andrea Vallebueno, "il n'existe pas de 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 Google Street View à haute fréquence et en construisant des données de panel au niveau du segment de rue, ce qui en fait les pionniers dans ce domaine.
Andrea Vallebueno est chercheuse en sciences computationnelles au Regulation, Evaluation, and Governance Lab de l'université de Stanford.
La passion d'Andrea pour l'utilisation de la science des données au service du bien social l'a amenée à explorer l'utilisation du machine learning et de la vision IA. Forte d'une formation en économie et d'un Master en science des données de Stanford, Andrea utilise YOLOv5 depuis environ un an et demi.
Enfant à Mexico, Andrea était parfaitement consciente des disparités frappantes 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 de la façon dont les données économiques traditionnelles négligent ces différences extrêmes, obscurcissant 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 pressant.
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 qui sont indicatives de la dégradation urbaine. 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 exécuter l'inférence sur 114 000 images de vues de rue 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 la dégradation urbaine au fil du temps.
Andrea et son équipe ont trouvé que YOLOv5 était incroyablement facile à utiliser, la majorité de leur temps étant consacrée à la conservation de leur ensemble de données et à la formation de leurs modèles. Ils ont apprécié l'intégration avec les outils de suivi des expériences et l'apprentissage automatique des boîtes englobantes, ce qui a rendu le processus beaucoup plus accessible.
Andrea et son équipe sont ravis d'étendre leur mesure de la qualité urbaine pour inclure les attributs positifs de l'environnement urbain physique et de tester la performance de ces indices dans un ensemble diversifié de quartiers urbains.
Visualisation de l'ensemble des détections de modèles de tentes/bâches utilisées comme habitations pour sans-abri dans le quartier de Tenderloin, à San Francisco, au fil du temps.
Pour ceux qui débutent dans l'IA, Andrea recommande de trouver un problème ou une question de recherche qui les passionne et de parcourir le cycle de vie complet de l'IA. Elle pense que c'est l'une des meilleures façons de développer l'intuition et de comprendre les limites de leur modèle.
L'IA devient de plus en plus un outil essentiel pour les universités et les chercheurs, car elle leur permet d'explorer et de comprendre des ensembles de données complexes, ce qui rend leurs conclusions plus précises et fiables. En tirant parti de l'IA, les chercheurs peuvent créer une compréhension plus globale des espaces urbains et des défis auxquels sont confrontés les citadins, ce qui permet d'élaborer de meilleures politiques et solutions.
Merci d'avoir lu le témoignage d'Andrea sur son expérience avec YOLOv5 ! Souhaitez-vous partager votre expérience ? Identifiez-nous partout @Ultralytics avec votre propre cas d'utilisation Ultralytics YOLO et nous ferons la promotion de votre travail auprès de la communauté ML.
