Scoprire i segni del degrado urbano: il potere dell'AI nella pianificazione urbana
Esplora come l'AI e YOLOv5 innovano la misurazione della qualità urbana, aiutando a definire politiche efficaci e ad affrontare le sfide cittadine. Scopri l'impatto di Ultralytics.
Una misurazione accurata della qualità degli spazi urbani è un aspetto fondamentale per creare politiche efficaci che affrontino le varie sfide che gli abitanti delle città devono affrontare, come la povertà, le infrastrutture, i trasporti, la salute e la sicurezza. Tuttavia, i metodi tradizionali di raccolta di dati socioeconomici come tassi di criminalità, livelli di reddito e condizioni abitative attraverso sondaggi sporadici tra i cittadini sono inadeguati, poiché sono poco frequenti, costosi e basati sulla percezione umana, portando a un quadro obsoleto delle condizioni a livello di quartiere.
L'uso dell'IA in questo campo sta guadagnando rapidamente 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 non è ancora stato esplorato appieno.
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 panel a livello di segmento stradale, diventando così i pionieri in questo campo.
Andrea Vallebueno è una ricercatrice di Scienze Computazionali presso il Stanford University’s Regulation, Evaluation, and Governance Lab.
Link to this sectionFare del bene con l'IA#
La passione di Andrea per l'utilizzo della data science in applicazioni a scopo sociale l'ha portata a esplorare l'uso del machine learning e dell'IA visiva. 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 nel campo della data science, Vallebueno ha iniziato a preoccuparsi di come i dati economici tradizionali trascurino queste differenze estreme, oscurando gli indicatori di disuguaglianza e declino 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 solo un problema più urgente.
Link to this sectionPerché YOLOv5?#
Andrea e Yong hanno mirato a creare una misura oggettiva del degrado urbano. Hanno utilizzato l'object detection nelle immagini di Google Street View per catturare otto caratteristiche urbane indicative di degrado. Hanno scelto YOLOv5 per la sua velocità di inferenza e l'uso di informazioni contestuali, che sono state cruciali 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 dell'incidenza del degrado urbano nel tempo.
Città del Messico, MX
San Francisco, CA
Andrea e il suo team hanno trovato YOLOv5 incredibilmente facile da usare; la maggior parte del tempo è stata dedicata alla cura del dataset e all'addestramento dei modelli. Hanno apprezzato l'integrazione con strumenti di tracciamento degli esperimenti e l'apprendimento automatico dei bounding box, che hanno 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 abitazioni per senzatetto nel corso del tempo nel quartiere di Tenderloin, San Francisco.
Link to this sectionConsigli per iniziare con l'IA#
Per chi è nuovo nel mondo dell'IA, Andrea consiglia di trovare un problema o una domanda di ricerca che ti appassiona e di seguire l'intero ciclo di vita dell'IA. Crede che questo sia uno dei modi migliori per sviluppare l'intuizione e comprendere i limiti del proprio modello.
L'IA sta diventando sempre più uno strumento cruciale per università e ricercatori, in quanto consente loro di esplorare e comprendere set di dati complessi, rendendo i risultati più accurati e affidabili. Sfruttando l'IA, 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 dell'esperienza di Andrea con YOLOv5! Vuoi condividere la tua esperienza? Taggaci ovunque @Ultralytics con il tuo caso d'uso di Ultralytics YOLO e promuoveremo il tuo lavoro alla community ML.
