Раскрытие признаков упадка городской среды: сила ИИ в городском планировании

Точная оценка качества городского пространства является важнейшим аспектом при создании эффективной политики для решения проблем, с которыми сталкиваются городские жители, таких как бедность, состояние инфраструктуры, транспорт, здравоохранение и безопасность. Однако традиционные методы сбора социально-экономических данных — например, статистика преступности, уровни доходов и условия проживания, получаемые путем периодических опросов граждан — недостаточно эффективны. Они проводятся редко, стоят дорого и зависят от человеческого восприятия, что приводит к устаревшей картине состояния района.

Использование ИИ в этой области быстро набирает популярность: исследователи экспериментируют со спутниковыми снимками для количественной оценки разрастания городов и запускают проекты машинного обучения для создания крупномасштабных карт бедности, богатства и доходов в развивающихся странах. Несмотря на эти достижения, физический ландшафт внутри городских пространств и его изменения во времени еще не изучены в полной мере.

По словам Andrea Vallebueno, «не существует адекватной меры, которая бы документировала качество городского пространства, его изменения во временном срезе и пространственное неравенство, которое оно демонстрирует». Andrea работала со своим соавтором Yong Suk Lee над устранением этого пробела, используя высокочастотные изображения Google Street View и создавая панельные данные на уровне уличных сегментов, что сделало их пионерами в этой области.

Andrea Vallebueno — научный сотрудник по вычислительным наукам в Stanford University’s Regulation, Evaluation, and Governance Lab.

Приносим пользу с помощью ИИ#

Страсть Андреа к использованию науки о данных в социальных целях привела ее к изучению машинного обучения и компьютерного зрения. Имея экономическое образование и степень магистра наук о данных в Стэнфорде, Андреа пользуется Ultralytics YOLOv5 уже около полутора лет.

В детстве в Мехико Андреа остро ощущала резкие различия между районами, такими как Санта-Фе, где большая бетонная стена отделяла богатых от бедных. Став исследователем в области науки о данных, Вальебуэно обеспокоилась тем, как традиционные экономические данные упускают из виду эти крайние различия, скрывая показатели неравенства и городского упадка. Она осознала, что с растущим притоком людей в города по всему миру нехватка подробных данных станет еще более острой проблемой.

Почему именно Ultralytics YOLOv5?#

Andrea и Yong стремились создать объективный показатель городского упадка. Они использовали обнаружение объектов на снимках Google Street View для фиксации восьми городских особенностей, указывающих на городской упадок. Они выбрали YOLOv5 из-за скорости инференса и использования контекстной информации, что имело решающее значение для их сценария использования.

Обученная модель использовалась для инференса на 114 000 изображений улиц из разных районов Сан-Франциско, Мехико и Саут-Бенда. Результаты обнаружения восьми атрибутов были агрегированы на уровне сегментов улиц для генерации индексов городского упадка и измерения динамики изменения его частоты с течением времени.

Мехико, Мексика

Сан-Франциско, Калифорния

Андреа и ее команда обнаружили, что с Ultralytics YOLOv5 невероятно легко работать: основная часть их времени уходила на подготовку датасета и обучение моделей. Они оценили интеграцию с инструментами отслеживания экспериментов и автоматическое определение ограничивающих рамок (bounding boxes), что значительно упростило процесс.

Андреа и ее команда планируют расширить свою методику измерения качества городской среды, включив в нее позитивные атрибуты физического городского пространства, и проверить эффективность этих индексов в различных городских районах.

Визуализация набора обнаружений моделей палаток/тентов, используемых в качестве жилья бездомными, с течением времени в районе Тендерлойн, Сан-Франциско.

Советы для тех, кто начинает свой путь в ИИ#

Тем, кто только начинает знакомство с ИИ, Андреа рекомендует найти проблему или исследовательский вопрос, который тебя по-настоящему увлекает, и пройти полный жизненный цикл разработки ИИ. Она считает, что это один из лучших способов развить интуицию и понять ограничения своей модели.

ИИ становится все более важным инструментом для университетов и исследователей, поскольку он позволяет изучать и понимать сложные наборы данных, делая выводы более точными и надежными. Используя возможности ИИ, исследователи могут сформировать более полное представление о городских пространствах и проблемах, с которыми сталкиваются горожане, что приводит к созданию лучших стратегий и решений.

Спасибо, что прочитал об опыте Andrea с YOLOv5! Хочешь поделиться своим опытом? Отмечай нас везде @Ultralytics со своим собственным кейсом использования Ultralytics YOLO, и мы расскажем о твоей работе ML-сообществу.