Выявление признаков упадка городской среды: возможности ИИ для городского планирования

Точная оценка качества городской среды — важнейшее условие для разработки эффективной политики, направленной на решение разных проблем, с которыми сталкиваются жители городов: бедности, состояния инфраструктуры, транспорта, здравоохранения и безопасности. Однако традиционные методы сбора социально-экономических данных — например, о преступности, доходах и жилищных условиях — с помощью периодических опросов жителей неэффективны: такие опросы проводятся редко, обходятся дорого и зависят от субъективного восприятия людей. В результате сведения о состоянии отдельных районов быстро устаревают.

ИИ быстро набирает популярность в этой области: исследователи экспериментируют со спутниковыми снимками для количественной оценки разрастания городов и применяют машинное обучение для создания крупномасштабных карт бедности, благосостояния и доходов в развивающихся странах. Несмотря на эти достижения, физическая среда городов и ее изменения с течением времени пока изучены не полностью.

По словам Андреа Вальебуэно, «не существует адекватного показателя, который отражал бы качество городской среды, ее изменения с течением времени и пространственное неравенство». Вместе с соавтором Ён Сок Ли Андреа решила восполнить этот пробел: они использовали часто обновляемые изображения Google Street View и создали панельные данные на уровне уличных отрезков, став первопроходцами в этой области.

Андреа Вальебуэно — научный сотрудник в области вычислительных наук в Лаборатории регулирования, оценки и управления Стэнфордского университета.

ИИ на благо общества#

Стремление Андреа применять науку о данных для решения общественно значимых задач привело ее к изучению машинного обучения и ИИ в компьютерном зрении. Имея образование в области экономики и степень магистра по науке о данных, полученную в Стэнфорде, Андреа использует Ultralytics YOLOv5 уже около полутора лет.

В детстве, живя в Мехико, Андреа остро ощущала разительный контраст между районами, например между Санта-Фе, где богатых от бедных отделяла высокая бетонная стена. Став исследователем в области науки о данных, Вальебуэно обеспокоилась тем, что традиционные экономические данные не отражают эти крайние различия и скрывают признаки неравенства и упадка городской среды. Она поняла, что по мере роста числа людей, переезжающих в города по всему миру, нехватка подробных данных будет становиться все более острой проблемой.

Почему Ultralytics YOLOv5?#

Андреа и Ён хотели создать объективный показатель упадка городской среды. Они использовали обнаружение объектов на изображениях Google Street View, чтобы зафиксировать восемь признаков такого упадка. Они выбрали YOLOv5 за скорость инференса и использование контекстной информации, которая была крайне важна для их задачи.

Обученную модель применили для инференса на 114 000 изображений улиц из разных районов Сан-Франциско, Мехико и Саут-Бенда. Обнаружения восьми признаков агрегировали на уровне уличных отрезков, чтобы рассчитать индексы упадка городской среды и измерить, как со временем менялась частота его проявлений.

Мехико, MX

Сан-Франциско, CA

Андреа и её команда обнаружили, что с Ultralytics YOLOv5 очень легко работать: большую часть времени они тратили на отбор данных и обучение моделей. Им понравилась интеграция с инструментами отслеживания экспериментов и автоматическое обучение якорных блоков — это значительно упростило работу.

Андреа и ее команда хотят расширить свой показатель качества городской среды, включив в него положительные характеристики городской среды, и проверить эффективность этих индексов в самых разных городских районах.

Визуализация обнаружений модели палаток и тентов, используемых в качестве временного жилья бездомными, в районе Тендерлойн, Сан-Франциско, за разные периоды времени.

Советы тем, кто начинает работать с ИИ#

Тем, кто только начинает работать с ИИ, Андреа советует выбрать интересную им проблему или исследовательский вопрос и пройти полный цикл разработки ИИ. Она считает, что это один из лучших способов развить интуицию и понять ограничения своей модели.

ИИ становится важным инструментом для университетов и исследователей: он позволяет изучать и понимать сложные наборы данных, делая выводы точнее и надежнее. Используя ИИ, исследователи могут получить более целостное представление о городской среде и проблемах, с которыми сталкиваются ее жители, а значит, разрабатывать более эффективные меры и решения.

Спасибо, что прочитал рассказ Андреа об опыте работы с YOLOv5! Хочешь поделиться своим опытом? Отметь нас где угодно: @Ultralytics — расскажи, как ты используешь Ultralytics YOLO, и мы расскажем о твоей работе со всем ML-сообществом.