17 tháng 2, 2023
Khám phá cách AI và YOLOv5 đổi mới việc đo lường chất lượng đô thị, hỗ trợ hoạch định chính sách hiệu quả và giải quyết các thách thức đô thị. Khám phá tác động của Ultralytics.
Đo lường chính xác chất lượng của không gian đô thị là một khía cạnh quan trọng trong việc tạo ra các chính sách hiệu quả giải quyết các thách thức khác nhau mà cư dân đô thị phải đối mặt như nghèo đói, cơ sở hạ tầng, giao thông vận tải, sức khỏe và an toàn. Tuy nhiên, các phương pháp thu thập dữ liệu kinh tế xã hội truyền thống như tỷ lệ tội phạm, mức thu nhập và điều kiện nhà ở thông qua các cuộc khảo sát công dân không thường xuyên là không đầy đủ, vì chúng không thường xuyên, tốn kém và dựa vào nhận thức của con người, dẫn đến một bức tranh lỗi thời về các điều kiện ở cấp độ khu phố.
Việc sử dụng AI trong lĩnh vực này đang ngày càng trở nên phổ biến, với các nhà nghiên cứu thử nghiệm hình ảnh vệ tinh để định lượng sự mở rộng đô thị và các dự án học máy để tạo ra các bản đồ quy mô lớn về nghèo đói, sự giàu có và thu nhập ở các nước 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 đầy đủ nào ghi lại chất lượng của không gian đô thị, sự thay đổi của nó theo thời gian và sự bất bình đẳng không gian mà nó thể hiện." Andrea đã làm việc với đồng tác giả của mình, 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, biến họ trở thành những người tiên phong trong lĩnh vực này.
Andrea Vallebueno là Nghiên cứu sinh Khoa học Tính toán tại Phòng thí nghiệm Quản lý, Đánh giá và Quản trị của Đại học Stanford.
Niềm đam mê sử dụng khoa học dữ liệu cho các ứng dụng vì lợi ích xã hội đã dẫn dắt Andrea khám phá việc sử dụng machine learning và vision AI. Với nền tảng kinh tế và bằng Thạc sĩ Khoa học Dữ liệu của Stanford, Andrea đã sử dụng YOLOv5 trong khoảng một năm rưỡi.
Khi còn là một đứa trẻ ở Thành phố Mexico, Andrea đã nhận thức sâu sắc về sự khác biệt lớn giữa các khu dân cư như Santa Fe, nơi một bức tường bê tông lớn ngăn cách người giàu với người nghèo. Là một nhà nghiên cứu khoa học dữ liệu, Vallebueno bắt đầu lo ngại về cách 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.
Andrea và Yong đặt mục tiêu tạo ra một thước đo khách quan về sự xuống cấp đô thị. Họ đã sử dụng object detection trong hình ảnh Google Street View để nắm bắt tám đặc điểm đô thị biểu thị sự xuống cấp đô thị. Họ đã chọn YOLOv5 vì tốc độ suy luận và khả năng sử dụng thông tin theo ngữ cảnh, điều này rất quan trọng đối với trường hợp sử dụng của họ.
Mô hình 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 của tám thuộc tính được tổng hợp ở cấp độ đoạn đường phố để tạo ra các chỉ số về sự suy tàn đô thị và đo lường sự thay đổi về tỷ lệ suy tàn đô thị theo thời gian.
Andrea và nhóm của cô ấy nhận thấy YOLOv5 cực kỳ dễ sử dụng, phần lớn thời gian của họ dành cho việc tuyển chọn bộ dữ liệu và huấn luyện các mô hình của họ. Họ đánh giá cao sự tích hợp với các công cụ theo dõi thử nghiệm và khả năng học tự động các hộp giới hạn, điều này giúp quá trình này dễ tiếp cận hơn nhiều.
Andrea và nhóm của cô ấy rất hào hứng mở rộng phạm vi đánh giá chất lượng đô thị của họ để bao gồm các thuộc tính tích cực của môi trường đô thị vật chất và kiểm tra hiệu suất của các chỉ số này trong một loạt các khu dân cư đô thị đa dạng.
Trực quan hóa tập hợp các phát hiện mô hình về lều/bạt được sử dụng làm nơi ở cho người vô gia cư theo thời gian ở khu phố Tenderloin, San Francisco.
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 những hạn chế của mô hình.
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 sự hiểu biết toàn diện hơn về 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 kinh 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 đến cộng đồng ML.
