Khám phá các dấu hiệu suy thoái đô thị: Sức mạnh của AI trong quy hoạch đô thị

Đo lường chính xác chất lượng của các không gian đô thị là một khía cạnh quan trọng trong việc tạo ra các chính sách hiệu quả để giải quyết những thách thức khác nhau mà cư dân đô thị phải đối mặt như nghèo đói, cơ sở hạ tầng, giao thông, y tế và an toàn. Tuy nhiên, các phương pháp truyền thống để thu thập dữ liệu kinh tế xã hội như tỷ lệ tội phạm, mức thu nhập và điều kiện nhà ở thông qua các cuộc khảo sát công dân định kỳ là chưa đầy đủ, vì chúng không thường xuyên, tốn kém và phụ thuộc vào cảm nhận của con người, dẫn đến một bức tranh lỗi thời về các điều kiện ở cấp độ khu dân cư.

Việc sử dụng AI trong lĩnh vực này đang nhanh chóng trở nên phổ biến, với các nhà nghiên cứu đang thử nghiệm hình ảnh vệ tinh để định lượng sự mở rộng đô thị và các dự án machine learning để tạo ra các bản đồ quy mô lớn về nghèo đói, sự thịnh vượng và thu nhập ở các quốc gia đang phát triển. Mặc dù có những tiến bộ này, cảnh quan vật lý trong môi trường đô thị và cách nó thay đổi theo thời gian vẫn chưa được khám phá đầy đủ.

Theo Andrea Vallebueno, "không có thước đo thỏa đáng nào ghi nhận chất lượng không gian đô thị, sự thay đổi của nó theo thời gian và bất bình đẳng không gian mà nó thể hiện." Andrea đã làm việc cùng đồng tác giả của cô, Yong Suk Lee, để lấp đầy khoảng trống này bằng cách sử dụng hình ảnh Google Street View tần suất cao và xây dựng dữ liệu bảng ở cấp độ phân đoạn đường phố, giúp họ trở thành những người tiên phong trong lĩnh vực này.

Andrea Vallebueno là Nghiên cứu viên về Khoa học Máy tính tại Stanford University’s Regulation, Evaluation, and Governance Lab.

Làm điều tốt với AI#

Niềm đam mê sử dụng khoa học dữ liệu cho các ứng dụng vì lợi ích xã hội đã thúc đẩy Andrea khám phá việc sử dụng machine learning và vision AI. Với nền tảng kinh tế học và bằng Thạc sĩ Khoa học Dữ liệu từ Stanford, Andrea đã sử dụng Ultralytics YOLOv5 khoảng một năm rưỡi.

Khi còn nhỏ ở Mexico City, Andrea đã nhận thức sâu sắc về sự chênh lệch rõ rệt giữa các khu phố như Santa Fe, nơi một bức tường bê tông lớn ngăn cách người giàu với người nghèo. Với tư cách là một nhà nghiên cứu khoa học dữ liệu, Vallebueno trở nên lo ngại về việc dữ liệu kinh tế truyền thống bỏ qua những khác biệt cực đoan này, che khuất các chỉ số về bất bình đẳng và suy thoái đô thị. Cô nhận ra rằng với dòng người ngày càng tăng chuyển đến các thành phố trên toàn thế giới, việc thiếu dữ liệu chi tiết sẽ chỉ trở thành một vấn đề cấp bách hơn.

Tại sao lại chọn Ultralytics YOLOv5?#

Andrea và Yong đặt mục tiêu tạo ra một thước đo khách quan về sự suy thoái đô thị. Họ đã sử dụng tính năng phát hiện đối tượng trong hình ảnh Google Street View để ghi lại tám đặc điểm đô thị biểu thị sự suy thoái đô thị. Họ đã chọn YOLOv5 vì tốc độ suy luận và việc sử dụng thông tin ngữ cảnh, điều này rất quan trọng đối với trường hợp sử dụng của họ.

Model đã huấn luyện được sử dụng để chạy suy luận trên 114.000 hình ảnh đường phố từ các khu dân cư khác nhau ở San Francisco, Mexico City và South Bend. Các phát hiện về tám thuộc tính đã được tổng hợp ở cấp độ phân đoạn đường phố để tạo ra các chỉ số về suy thoái đô thị và đo lường sự thay đổi trong tỷ lệ suy thoái đô thị theo thời gian.

Mexico City, MX

San Francisco, CA

Andrea và nhóm của cô thấy rằng Ultralytics YOLOv5 cực kỳ dễ sử dụng, với phần lớn thời gian được dành cho việc quản lý dataset và training các model của họ. Họ đánh giá cao khả năng tích hợp với các công cụ theo dõi thử nghiệm và việc tự động học bounding box, giúp quá trình này trở nên dễ tiếp cận hơn rất nhiều.

Andrea và nhóm của cô rất hào hứng mở rộng thước đo về chất lượng đô thị để bao gồm các thuộc tính tích cực của môi trường đô thị vật lý và kiểm tra hiệu suất của các chỉ số này trong một tập hợp đa dạng các khu dân cư đô thị.

Trực quan hóa tập hợp các phát hiện của model về lều/bạt được sử dụng làm nơi ở cho người vô gia cư theo thời gian tại khu Tenderloin, San Francisco.

Lời khuyên để bắt đầu với AI#

Đối với những người mới làm quen với AI, Andrea khuyên nên tìm một vấn đề hoặc câu hỏi nghiên cứu mà họ đam mê và trải qua toàn bộ vòng đời AI. Cô tin rằng đây là một trong những cách tốt nhất để xây dựng trực giác và hiểu được các hạn chế của model của mình.

AI ngày càng trở thành một công cụ quan trọng cho các trường đại học và nhà nghiên cứu, vì nó cho phép họ khám phá và hiểu các tập dữ liệu phức tạp, làm cho các phát hiện của họ chính xác và đáng tin cậy hơn. Bằng cách tận dụng AI, các nhà nghiên cứu có thể tạo ra một sự hiểu biết toàn diện hơn về các không gian đô thị và những thách thức mà cư dân đô thị phải đối mặt, dẫn đến các chính sách và giải pháp tốt hơn.

Cảm ơn bạn đã đọc về trải nghiệm của Andrea với YOLOv5! Bạn có muốn chia sẻ trải nghiệm của mình không? Hãy gắn thẻ chúng tôi ở mọi nơi @Ultralytics với trường hợp sử dụng Ultralytics YOLO của riêng bạn và chúng tôi sẽ quảng bá công việc của bạn tới cộng đồng ML.