Descobrir Sinais de Declínio Urbano: O Poder da IA no Planeamento Urbano

A medição precisa da qualidade dos espaços urbanos é um aspecto crítico na criação de políticas eficazes que abordem os vários desafios enfrentados pelos habitantes das cidades, como pobreza, infraestrutura, transporte, saúde e segurança. No entanto, os métodos tradicionais de coleta de dados socioeconômicos, como taxas de criminalidade, níveis de renda e condições de moradia por meio de pesquisas ocasionais com cidadãos, são inadequados, pois são pouco frequentes, caros e dependem da percepção humana, levando a uma visão desatualizada das condições em nível de bairro.

O uso de IA neste campo está ganhando popularidade rapidamente, com pesquisadores experimentando imagens de satélite para quantificar a expansão urbana e projetos de aprendizado de máquina para gerar mapeamentos em larga escala de pobreza, riqueza e renda em países em desenvolvimento. Apesar desses avanços, a paisagem física dentro dos ambientes urbanos e como ela muda ao longo do tempo ainda não foi totalmente explorada.

De acordo com Andrea Vallebueno, "não existe uma medida adequada que documente a qualidade do espaço urbano, sua mudança ao longo do tempo e a desigualdade espacial que ele apresenta." Andrea trabalhou com seu coautor, Yong Suk Lee, para preencher essa lacuna usando imagens de alta frequência do Google Street View e construindo dados de painel no nível de segmento de rua, tornando-os pioneiros nesta área.

Andrea Vallebueno é pesquisadora de Ciência Computacional no Stanford University’s Regulation, Evaluation, and Governance Lab.

Link to this sectionFazendo o Bem com IA#

A paixão de Andrea por usar a ciência de dados para aplicações de impacto social a levou a explorar o uso de aprendizado de máquina e IA de visão. Com formação em economia e mestrado em Ciência de Dados por Stanford, Andrea usa o YOLOv5 há cerca de um ano e meio.

Quando criança na Cidade do México, Andrea tinha plena consciência das disparidades dramáticas entre bairros como Santa Fe, onde um grande muro de concreto separava os ricos dos pobres. Como pesquisadora cientista de dados, Vallebueno começou a se preocupar com a forma como os dados econômicos tradicionais ignoram essas diferenças extremas, obscurecendo os indicadores de desigualdade e declínio urbano. Ela percebeu que, com o fluxo crescente de pessoas mudando para as cidades em todo o mundo, a falta de dados detalhados se tornaria um problema ainda mais urgente.

Link to this sectionPor que o YOLOv5?#

Andrea e Yong buscaram criar uma medida objetiva da degradação urbana. Eles usaram detecção de objetos em imagens do Google Street View para capturar oito características urbanas que são indicativas de degradação urbana. Eles escolheram o YOLOv5 devido à sua velocidade de inferência e ao uso de informações contextuais, o que foi crucial para o caso de uso deles.

O modelo treinado foi usado para executar a inferência em 114.000 imagens de visualização de rua de diferentes bairros em São Francisco, Cidade do México e South Bend. As detecções dos oito atributos foram agregadas no nível de segmento de rua para gerar índices de degradação urbana e medir a mudança na incidência de degradação urbana ao longo do tempo.

Cidade do México, MX

São Francisco, CA

Andrea e sua equipe acharam o YOLOv5 incrivelmente fácil de trabalhar, com a maior parte do tempo dedicada à organização de seu conjunto de dados e ao treinamento de seus modelos. Eles apreciaram a integração com ferramentas de rastreamento de experimentos e o aprendizado automático de bounding boxes, o que tornou o processo muito mais acessível.

Andrea e sua equipe estão entusiasmadas em expandir sua medida de qualidade urbana para incluir atributos positivos do ambiente urbano físico e testar o desempenho desses índices em um conjunto diversificado de bairros urbanos.

Visualização do conjunto de detecções do modelo de barracas/lonas usadas como habitação de sem-teto ao longo do tempo no bairro de Tenderloin, São Francisco.

Link to this sectionConselhos para Começar em IA#

Para aqueles que são novos em IA, Andrea recomenda encontrar um problema ou pergunta de pesquisa pela qual sejam apaixonados e passar por todo o ciclo de vida da IA. Ela acredita que esta é uma das melhores maneiras de desenvolver a intuição e entender as limitações do seu modelo.

A IA está se tornando cada vez mais uma ferramenta crucial para universidades e pesquisadores, pois permite que explorem e entendam conjuntos de dados complexos, tornando suas descobertas mais precisas e confiáveis. Ao aproveitar a IA, os pesquisadores podem criar uma compreensão mais abrangente dos espaços urbanos e dos desafios que os habitantes das cidades enfrentam, levando a políticas e soluções melhores.

Obrigado por ler sobre a experiência da Andrea com o YOLOv5! Você gostaria de compartilhar sua experiência? Marque-nos em todo lugar @Ultralytics com seu próprio caso de uso do Ultralytics YOLO e nós promoveremos seu trabalho para a comunidade de ML.