17 febbraio 2023
Scopri come l'AI e YOLOv5 innovano la misurazione della qualità urbana, supportando un'efficace definizione delle politiche e affrontando le sfide urbane. Scopri l'impatto di Ultralytics.
La misurazione accurata della qualità degli spazi urbani è un aspetto fondamentale per la creazione di politiche efficaci che affrontino le varie sfide affrontate dagli abitanti delle città, come povertà, infrastrutture, trasporti, salute e sicurezza. Tuttavia, i metodi tradizionali di raccolta dei dati socioeconomici come i tassi di criminalità, i livelli di reddito e le condizioni abitative attraverso sondaggi occasionali sui cittadini sono inadeguati, in quanto sono poco frequenti, costosi e si basano sulla percezione umana, portando a un quadro obsoleto delle condizioni a livello di quartiere.
L'uso dell'AI in questo campo sta rapidamente guadagnando popolarità, con ricercatori che sperimentano con immagini satellitari per quantificare l'espansione urbana e progetti di machine learning per generare mappature su larga scala di povertà, ricchezza e reddito nei paesi in via di sviluppo. Nonostante questi progressi, il paesaggio fisico all'interno degli ambienti urbani e come cambia nel tempo deve ancora essere completamente esplorato.
Secondo Andrea Vallebueno, "non esiste una misura adeguata che documenti la qualità dello spazio urbano, il suo cambiamento nel tempo e la disuguaglianza spaziale che presenta." Andrea ha collaborato con il suo coautore, Yong Suk Lee, per colmare questa lacuna utilizzando immagini ad alta frequenza di Google Street View e costruendo dati di panel a livello di segmento stradale, diventando così i pionieri in questo campo.
Andrea Vallebueno è Research Fellow di Scienze Computazionali presso il Regulation, Evaluation, and Governance Lab della Stanford University.
La passione di Andrea per l'utilizzo della scienza dei dati per applicazioni a vantaggio sociale l'ha portata a esplorare l'uso del machine learning e della vision AI. Con un background in economia e un Master in Data Science conseguito a Stanford, Andrea utilizza YOLOv5 da circa un anno e mezzo.
Da bambina a Città del Messico, Andrea era profondamente consapevole delle drammatiche disparità tra quartieri come Santa Fe, dove un grande muro di cemento separava i ricchi dai poveri. Come ricercatrice di data science, Vallebueno si è preoccupata di come i dati economici tradizionali trascurino queste estreme differenze, oscurando gli indicatori di disuguaglianza e degrado urbano. Si è resa conto che, con il crescente afflusso di persone che si trasferiscono nelle città di tutto il mondo, la mancanza di dati dettagliati sarebbe diventata un problema ancora più pressante.
Andrea e Yong miravano a creare una misura oggettiva del degrado urbano. Hanno utilizzato il rilevamento di oggetti nelle immagini di Google Street View per catturare otto caratteristiche urbane indicative del degrado urbano. Hanno scelto YOLOv5 per la sua velocità di inferenza e l'uso di informazioni contestuali, che sono state fondamentali per il loro caso d'uso.
Il modello addestrato è stato utilizzato per eseguire l'inferenza su 114.000 immagini di street view provenienti da diversi quartieri di San Francisco, Città del Messico e South Bend. I rilevamenti degli otto attributi sono stati aggregati a livello di segmento stradale per generare indici di degrado urbano e misurare il cambiamento nell'incidenza del degrado urbano nel tempo.
Andrea e il suo team hanno trovato YOLOv5 incredibilmente facile da usare, con la maggior parte del loro tempo speso per la cura del dataset e l'addestramento dei loro modelli. Hanno apprezzato l'integrazione con gli strumenti di tracciamento degli esperimenti e l'apprendimento automatico dei bounding box, che ha reso il processo molto più accessibile.
Andrea e il suo team sono entusiasti di espandere la loro misura della qualità urbana per includere attributi positivi dell'ambiente urbano fisico e testare le prestazioni di questi indici in una serie diversificata di quartieri urbani.
Visualizzazione della serie di rilevamenti del modello di tende/teloni utilizzati come alloggi per senzatetto nel tempo nel quartiere di Tenderloin, San Francisco.
Per chi è nuovo all'AI, Andrea consiglia di trovare un problema o una domanda di ricerca che appassioni e di seguire l'intero ciclo di vita dell'AI. Crede che questo sia uno dei modi migliori per sviluppare l'intuizione e comprendere i limiti del proprio modello.
L'AI sta diventando sempre più uno strumento cruciale per le università e i ricercatori, in quanto consente loro di esplorare e comprendere set di dati complessi, rendendo i loro risultati più accurati e affidabili. Sfruttando l'AI, i ricercatori possono creare una comprensione più completa degli spazi urbani e delle sfide che gli abitanti delle città devono affrontare, portando a politiche e soluzioni migliori.
Grazie per aver letto l'esperienza di Andrea con YOLOv5! Vuoi condividere la tua esperienza? Taggaci ovunque @Ultralytics con il tuo caso d'uso Ultralytics YOLO e promuoveremo il tuo lavoro nella community ML.
