17 февраля 2023 г.
Узнайте, как ИИ и YOLOv5 внедряют инновации в измерение качества городской среды, помогая в разработке эффективной политики и решении городских проблем. Откройте для себя влияние Ultralytics.
Точное измерение качества городских пространств является критически важным аспектом в создании эффективной политики, направленной на решение различных проблем, с которыми сталкиваются городские жители, таких как бедность, инфраструктура, транспорт, здравоохранение и безопасность. Однако традиционные методы сбора социально-экономических данных, такие как уровень преступности, уровень доходов и жилищные условия, посредством случайных опросов граждан неадекватны, поскольку они нечасты, дороги и полагаются на человеческое восприятие, что приводит к устаревшей картине условий на уровне района.
Использование ИИ в этой области быстро набирает популярность: исследователи экспериментируют со спутниковыми снимками для количественной оценки разрастания городов и проектами машинного обучения для создания крупномасштабных карт бедности, богатства и доходов в развивающихся странах. Несмотря на эти достижения, физический ландшафт в городских условиях и то, как он меняется со временем, еще предстоит полностью изучить.
По словам Андреа Валлебуэно, "не существует адекватной меры, которая документировала бы качество городского пространства, его изменение во времени и пространственное неравенство, которое оно представляет". Андреа работала со своим соавтором Ёнгом Сук Ли, чтобы заполнить этот пробел, используя высокочастотные изображения Google Street View и создавая панельные данные на уровне сегментов улиц, что сделало их пионерами в этой области.
Андреа Валлебуэно — научный сотрудник в области вычислительной науки в Лаборатории регулирования, оценки и управления Стэнфордского университета.
Страсть Андреа к использованию науки о данных для социально значимых приложений привела ее к изучению машинного обучения и vision AI. Имея экономическое образование и степень магистра в области науки о данных от Стэнфорда, Андреа использует YOLOv5 около полутора лет.
В детстве в Мехико Андреа остро осознавала резкие различия между районами, такими как Санта-Фе, где большая бетонная стена отделяла богатых от бедных. Будучи исследователем данных, Вальебуэно обеспокоилась тем, как традиционные экономические данные упускают из виду эти крайние различия, затушевывая показатели неравенства и городского упадка. Она поняла, что с растущим притоком людей, переезжающих в города по всему миру, отсутствие подробных данных станет еще более насущной проблемой.
Андреа и Йонг стремились создать объективную меру городского упадка. Они использовали обнаружение объектов на изображениях Google Street View, чтобы зафиксировать восемь городских признаков, указывающих на городской упадок. Они выбрали YOLOv5 из-за скорости инференса и использования контекстной информации, что было крайне важно для их варианта использования.
Обученная модель использовалась для проведения инференса на 114 000 изображениях улиц из разных районов Сан-Франциско, Мехико и Саут-Бенда. Обнаружения восьми атрибутов были агрегированы на уровне сегмента улицы для создания индексов городского упадка и измерения изменения частоты городского упадка с течением времени.
Андреа и ее команда обнаружили, что с YOLOv5 невероятно легко работать, и большую часть времени они потратили на курирование своего набора данных и обучение своих моделей. Они оценили интеграцию с инструментами отслеживания экспериментов и автоматическое изучение ограничивающих рамок, что сделало процесс намного более доступным.
Андреа и ее команда рады расширить свою оценку качества городской среды, включив в нее положительные характеристики физической городской среды, и проверить эффективность этих индексов в различных городских районах.
Визуализация набора обнаружений моделей палаток/тентов, используемых в качестве жилищ для бездомных, с течением времени в районе Тендерлойн, Сан-Франциско.
Для тех, кто плохо знаком с ИИ, Андреа рекомендует найти проблему или исследовательский вопрос, к которому они испытывают страсть, и пройти полный жизненный цикл ИИ. Она считает, что это один из лучших способов развить интуицию и понять ограничения своей модели.
ИИ все чаще становится важным инструментом для университетов и исследователей, поскольку он позволяет им исследовать и понимать сложные наборы данных, делая их выводы более точными и надежными. Используя ИИ, исследователи могут создать более полное представление о городских пространствах и проблемах, с которыми сталкиваются жители городов, что приведет к улучшению политики и решений.
Спасибо, что прочитали об опыте Андреа с YOLOv5! Хотите поделиться своим опытом? Отмечайте нас везде @Ultralytics с вашим собственным вариантом использования Ultralytics YOLO, и мы продвинем вашу работу в сообществе ML.
