都市衰退の兆候を明らかにする：都市計画におけるAIの力
AIとYOLOv5が都市の質の測定に革新をもたらし、効果的な政策立案を支援しながら都市の課題に取り組む方法をご覧ください。Ultralyticsのインパクトをご紹介します。
都市空間の質を正確に測定することは、貧困、インフラ、交通、健康、安全など、都市住民が直面するさまざまな課題に対処する効果的な政策を策定するうえで重要です。しかし、犯罪率、所得水準、住宅状況などの社会経済データを、散発的な市民調査によって収集する従来の方法は不十分です。調査の頻度が低く、費用がかかるうえ、人間の認識に依存しているため、近隣レベルの状況を示す情報が現状に追いつかなくなってしまいます。
この分野でのAIの活用は急速に広がっており、研究者たちは衛星画像を使って都市のスプロール化を定量化したり、機械学習プロジェクトによって発展途上国の貧困、富、所得を大規模にマッピングしたりしています。こうした進展にもかかわらず、都市環境内の物理的な景観と、それが時間の経過とともにどのように変化するかについては、まだ十分に調査されていません。
Andrea Vallebuenoによると、「都市空間の質、その経時的な変化、そしてそこに現れる空間的不平等を記録する適切な指標は存在しません。」 Andreaは共著者のYong Suk Leeと協力し、高頻度で撮影されたGoogle Street View画像を使用して道路区間レベルのパネルデータを構築することで、このギャップを埋めました。二人はこの分野の先駆者となりました。
Andrea Vallebuenoは、Stanford University’s Regulation, Evaluation, and Governance Labの計算科学リサーチフェローです。
AIで社会に貢献する#
社会貢献への応用にデータサイエンスを活用したいというAndreaの情熱から、機械学習とビジョンAIの活用を探究するようになりました。経済学のバックグラウンドを持ち、Stanfordでデータサイエンスの修士号を取得したAndreaは、約1年半にわたってUltralytics YOLOv5を使用しています。
メキシコシティで育ったAndreaは、Santa Feのように近隣間で大きな格差があり、巨大なコンクリート壁が富裕層と貧困層を隔てている状況を、子どもの頃から強く意識していました。データサイエンス研究者となったVallebuenoは、従来の経済データではこうした極端な違いが見落とされ、不平等や都市衰退の指標が見えなくなっていることを問題視するようになりました。そして、世界中で都市に移り住む人々が増え続けるなか、詳細なデータの不足はますます深刻な問題になるだけだと気づきました。
なぜUltralytics YOLOv5なのか？#
AndreaとYongは、都市荒廃を客観的に測定する指標の作成を目指しました。二人はGoogle Street View画像に物体検出を適用し、都市荒廃を示す8つの都市特徴を捉えました。用途においてコンテキスト情報の活用が重要だったことに加え、推論速度にも優れていたため、YOLOv5を選択しました。
学習済みモデルを使用して、San Francisco、Mexico City、South Bendのさまざまな近隣地域から収集した114,000枚のストリートビュー画像に対して推論を実行しました。8つの属性の検出結果を道路区間レベルで集計し、都市荒廃の指標を生成するとともに、都市荒廃の発生状況が時間の経過とともにどのように変化したかを測定しました。
Mexico City, MX
San Francisco, CA
Andreaとチームは、Ultralytics YOLOv5が非常に扱いやすいことを実感しました。時間の大半はデータセットのキュレーションとモデルの学習に費やされました。実験トラッキングツールとの統合や、バウンディングボックスの自動学習も高く評価しており、これによってプロセスがはるかに取り組みやすくなりました。
Andreaとチームは、都市環境の物理的な側面における肯定的な属性を含めることで都市の質の指標を拡張し、多様な都市近隣地域でこれらの指標の性能を検証することを楽しみにしています。
San FranciscoのTenderloin地区で、ホームレスの居住場所として使用されたテントやタープのモデル検出結果を時系列で示した可視化。
AIを始めるためのアドバイス#
AIを始めたばかりの人に対して、Andreaは自分が情熱を持てる問題や研究課題を見つけ、AIのライフサイクル全体に取り組むことを勧めています。これが直感を養い、モデルの限界を理解するための最良の方法の一つだと考えています。
AIは大学や研究者にとってますます重要なツールになっています。複雑なデータセットを調査して理解できるようになり、研究結果の正確性と信頼性を高められるためです。AIを活用することで、研究者は都市空間と都市住民が直面する課題をより包括的に理解できるようになり、より良い政策や解決策につながります。
YOLOv5を使ったAndreaの経験についてお読みいただき、ありがとうございました。あなたの経験も共有しませんか？ご自身のUltralytics YOLOの活用事例とともに、どこでも@Ultralyticsをタグ付けしていただければ、MLコミュニティであなたの取り組みを紹介します。
