17 febbraio 2023
Scoprite come l'intelligenza artificiale e YOLOv5 innovano la misurazione della qualità urbana, favorendo la definizione di politiche efficaci e affrontando le sfide urbane. Scoprite l'impatto di Ultralytics.
La misurazione accurata della qualità degli spazi urbani è un aspetto critico per la creazione di 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 dei dati socioeconomici, come i tassi di criminalità, i livelli di reddito e le condizioni abitative, attraverso indagini occasionali tra i cittadini, sono inadeguati, in quanto poco frequenti, costosi e basati sulla percezione umana, che portano a un quadro non aggiornato delle condizioni a livello di quartiere.
L'uso dell'IA in questo campo sta rapidamente guadagnando popolarità, con ricercatori che sperimentano immagini satellitari per quantificare l'espansione urbana e progetti di apprendimento automatico 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 il modo in cui cambia nel tempo devono ancora essere completamente esplorati.
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 lavorato con il suo co-autore, Yong Suk Lee, per colmare questa lacuna utilizzando immagini di Google Street View ad alta frequenza e costruendo dati panel a livello di segmento stradale, diventando così i pionieri in questo campo.
Andrea Vallebueno è ricercatore di Scienze computazionali presso il Regulation, Evaluation, and Governance Lab dell'Università di Stanford.
La passione di Andrea per l'utilizzo della scienza dei dati per applicazioni di utilità sociale l'ha portata a esplorare l'uso dell'apprendimento automatico e dell'intelligenza artificiale. Con un background economico e un master in Data Science a Stanford, Andrea utilizza YOLOv5 da circa un anno e mezzo.
Da bambina a Città del Messico, Andrea era molto consapevole delle drammatiche disparità tra quartieri come Santa Fe, dove un grande muro di cemento separava i ricchi dai poveri. In qualità di ricercatrice data scientist, Vallebueno si è preoccupata di come i dati economici tradizionali trascurino queste differenze estreme, oscurando gli indicatori della disuguaglianza e del 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 un problema sempre più pressante.
Andrea e Yong volevano creare una misura oggettiva del degrado urbano. Hanno utilizzato il rilevamento degli oggetti nelle immagini di Google Street View per rilevare otto caratteristiche urbane indicative del degrado urbano. Hanno scelto YOLOv5 per la sua velocità di inferenza e per l'uso di informazioni contestuali, fondamentali per il loro caso d'uso.
Il modello addestrato è stato utilizzato per eseguire l'inferenza su 114.000 immagini street view di 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 la variazione dell'incidenza del degrado urbano nel tempo.
Andrea e il suo team hanno trovato YOLOv5 incredibilmente facile da utilizzare, dedicando la maggior parte del tempo alla cura del set di dati e all'addestramento dei 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 gli attributi positivi dell'ambiente fisico urbano e testare le prestazioni di questi indici in una serie di quartieri urbani diversi.
Visualizzazione dell'insieme dei rilevamenti del modello di tende/baracche utilizzate come abitazioni per i senzatetto nel corso del tempo nel quartiere di Tenderloin, a San Francisco.
A chi è alle prime armi con l'IA, Andrea consiglia di trovare un problema o una domanda di ricerca che lo appassioni e di seguire l'intero ciclo di vita dell'IA. Ritiene che questo sia uno dei modi migliori per costruire l'intuizione e capire i limiti del proprio modello.
L'intelligenza artificiale sta diventando sempre più uno strumento cruciale per le università e i ricercatori, in quanto consente loro di esplorare e comprendere serie di dati complessi, rendendo le loro scoperte più accurate 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 l'esperienza di Andrea con YOLOv5! Volete condividere la vostra esperienza? Taggateci ovunque @Ultralytics con la vostra esperienza personale. Ultralytics YOLO e noi promuoveremo il vostro lavoro alla comunità ML.
