Alla scoperta dei segnali del degrado urbano: la potenza dell'AI nella pianificazione urbana
Scopri come l'AI e YOLOv5 innovano la misurazione della qualità urbana, favorendo politiche efficaci e affrontando le sfide delle città. Scopri l'impatto di Ultralytics.
Misurare accuratamente la qualità degli spazi urbani è fondamentale per creare politiche efficaci che affrontino le diverse sfide degli abitanti delle città, come povertà, infrastrutture, trasporti, salute e sicurezza. Tuttavia, i metodi tradizionali per raccogliere dati socioeconomici, come tassi di criminalità, livelli di reddito e condizioni abitative, attraverso sondaggi occasionali tra i cittadini sono inadeguati, poiché vengono condotti raramente, sono costosi e si basano sulla percezione umana, portando a una rappresentazione obsoleta delle condizioni a livello di quartiere.
L'uso dell'AI in questo campo sta diventando rapidamente sempre più diffuso: i ricercatori stanno sperimentando immagini satellitari per quantificare l'espansione urbana e progetti di machine learning per generare mappe su larga scala di povertà, ricchezza e reddito nei Paesi in via di sviluppo. Nonostante questi progressi, il paesaggio fisico degli ambienti urbani e il modo in cui cambia nel tempo non sono ancora stati studiati pienamente.
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 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 pionieri in questo campo.
Andrea Vallebueno è ricercatrice presso il Regulation, Evaluation, and Governance Lab della Stanford University, nell'ambito delle scienze computazionali.
Fare del bene con l'AI#
La passione di Andrea per l'uso della data science in applicazioni a beneficio della società l'ha portata a esplorare l'uso del machine learning e dell'AI per la computer vision. Con una formazione in economia e un master in Data Science conseguito a Stanford, Andrea utilizza Ultralytics YOLOv5 da circa un anno e mezzo.
Da bambina a Città del Messico, Andrea era pienamente consapevole delle profonde disparità tra quartieri come Santa Fe, dove un grande muro di cemento separava i ricchi dai poveri. In qualità di ricercatrice nel campo della data science, Vallebueno iniziò a preoccuparsi del fatto che i dati economici tradizionali trascurassero queste differenze estreme, oscurando gli indicatori di disuguaglianza e degrado urbano. Si rese 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 urgente.
Perché Ultralytics YOLOv5?#
Andrea e Yong miravano a creare una misura oggettiva del degrado urbano. Hanno utilizzato il rilevamento degli oggetti nelle immagini di Google Street View per acquisire otto caratteristiche urbane indicative del degrado urbano. Hanno scelto YOLOv5 per la sua velocità di inferenza e per l'uso delle informazioni contestuali, 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 del degrado urbano e misurare nel tempo il cambiamento nella frequenza del degrado urbano.
Città del Messico, MX
San Francisco, CA
Andrea e il suo team hanno trovato Ultralytics YOLOv5 incredibilmente facile da usare: la maggior parte del loro tempo è stata dedicata alla selezione del dataset e all'addestramento dei modelli. Hanno apprezzato l'integrazione con gli strumenti di monitoraggio degli esperimenti e l'apprendimento automatico dei riquadri di delimitazione, che ha reso il processo molto più accessibile.
Andrea e il suo team sono entusiasti di ampliare la loro misura della qualità urbana per includere gli attributi positivi dell'ambiente urbano fisico e testare le prestazioni di questi indici in un insieme eterogeneo di quartieri urbani.
Visualizzazione dell'insieme dei rilevamenti del modello relativi a tende e teloni utilizzati come abitazioni da persone senza dimora nel tempo nel quartiere Tenderloin di San Francisco.
Consigli per iniziare nel campo dell'AI#
A chi è alle prime armi con l'AI, Andrea consiglia di trovare un problema o una domanda di ricerca che susciti il proprio interesse e di attraversare l'intero ciclo di vita dell'AI. Ritiene che questo sia uno dei modi migliori per sviluppare l'intuito e comprendere i limiti del proprio modello.
L'AI sta diventando sempre più uno strumento fondamentale per università e ricercatori, poiché consente loro di esplorare e comprendere set di dati complessi, rendendo i risultati più accurati e affidabili. Sfruttando l'AI, i ricercatori possono sviluppare una comprensione più completa degli spazi urbani e delle sfide affrontate dagli abitanti delle città, portando a politiche e soluzioni migliori.
Grazie per aver letto l'esperienza di Andrea con YOLOv5! Ti piacerebbe condividere la tua esperienza? Taggaci ovunque con @Ultralytics, raccontando il tuo caso d'uso di Ultralytics YOLO, e promuoveremo il tuo lavoro presso la community del machine learning.
