Выявление признаков упадка городских территорий: возможности AI в городском планировании

Точное измерение качества городской среды — критически важный аспект разработки эффективных политик, направленных на решение различных проблем, с которыми сталкиваются жители городов, таких как бедность, инфраструктура, транспорт, здравоохранение и безопасность. Однако традиционные методы сбора социально-экономических данных, например об уровне преступности, доходах и состоянии жилья, с помощью периодических опросов граждан неэффективны, поскольку проводятся редко, дорого обходятся и зависят от человеческого восприятия, в результате чего на уровне отдельных районов формируется устаревшее представление об их состоянии.

Использование AI в этой области стремительно набирает популярность: исследователи экспериментируют со спутниковыми снимками для количественной оценки разрастания городов, а в проектах на основе машинного обучения создаются крупномасштабные карты бедности, благосостояния и доходов в развивающихся странах. Несмотря на эти достижения, физический облик городской среды и его изменения с течением времени пока остаются недостаточно изученными.

По словам Андреа Вальебуэно, «не существует адекватного показателя, который документировал бы качество городской среды, её изменения с течением времени и пространственное неравенство, которое она отражает». Андреа вместе со своим соавтором Ён Сук Ли решила восполнить этот пробел, используя изображения Google Street View с высокой частотой обновления и создавая панельные данные на уровне отдельных сегментов улиц, став первопроходцами в этой области.

Андреа Вальебуэно — научный сотрудник по вычислительным наукам в Лаборатории регулирования, оценки и управления Стэнфордского университета.

AI на благо общества#

Интерес Андреа к использованию науки о данных для решения общественно значимых задач привёл её к изучению машинного обучения и AI в области компьютерного зрения. Имея образование в сфере экономики и степень магистра по науке о данных, полученную в Стэнфорде, Андреа использует Ultralytics YOLOv5 уже около полутора лет.

Ещё в детстве, живя в Мехико, Андреа остро ощущала разительный контраст между такими районами, как Санта-Фе, где большая бетонная стена отделяла богатых от бедных. Работая исследователем в области науки о данных, Вальебуэно стала обеспокоена тем, что традиционные экономические данные не отражают эти крайние различия, скрывая показатели неравенства и упадка городов. Она поняла, что на фоне растущего притока людей, переезжающих в города по всему миру, отсутствие подробных данных будет становиться всё более острой проблемой.

Почему Ultralytics YOLOv5?#

Андреа и Ён стремились создать объективный показатель упадка городской среды. Они использовали обнаружение объектов на изображениях Google Street View, чтобы фиксировать восемь характеристик городской среды, указывающих на её упадок. Они выбрали YOLOv5 благодаря высокой скорости инференса и использованию контекстной информации, что было особенно важно для их задачи.

Обученную модель использовали для выполнения инференса на 114 000 изображений улиц из разных районов Сан-Франциско, Мехико и Саут-Бенда. Обнаружения восьми признаков агрегировали на уровне отдельных сегментов улиц, чтобы сформировать индексы упадка городской среды и измерить изменение частоты проявления этого упадка с течением времени.

Мехико, Мексика

Сан-Франциско, Калифорния

Андреа и её команда обнаружили, что с Ultralytics YOLOv5 невероятно легко работать: большую часть времени они потратили на подготовку своего набора данных и обучение моделей. Они высоко оценили интеграцию с инструментами отслеживания экспериментов и автоматическое обучение ограничивающих рамок, благодаря чему процесс стал гораздо доступнее.

Андреа и её команда планируют расширить свой показатель качества городской среды, включив в него положительные характеристики физической городской среды, а также протестировать эффективность этих индексов в различных городских районах.

Визуализация обнаружений модели палаток и тентов, использовавшихся в качестве жилищ бездомных, в районе Тендерлойн в Сан-Франциско с течением времени.

Советы для начала работы в области AI#

Тем, кто только начинает работать с AI, Андреа рекомендует найти проблему или исследовательский вопрос, которые действительно интересны, и пройти полный жизненный цикл AI. Она считает, что это один из лучших способов развить интуицию и понять ограничения своей модели.

AI всё чаще становится важнейшим инструментом для университетов и исследователей, поскольку позволяет изучать и понимать сложные наборы данных, делая результаты более точными и надёжными. Используя AI, исследователи могут получить более полное представление о городской среде и проблемах, с которыми сталкиваются жители городов, что способствует разработке более эффективных политик и решений.

Спасибо, что прочитали об опыте Андреа с YOLOv5! Хочешь поделиться своим опытом? Отмечай нас везде — @Ultralytics — и расскажи о своём собственном кейсе использования Ultralytics YOLO, а мы расскажем о твоей работе ML-сообществу.