揭示城市衰退迹象：AI 在城市规划中的力量

准确衡量城市空间的质量，是制定有效政策、应对城市居民面临的贫困、基础设施、交通、健康和安全等各种挑战的关键环节。然而，通过偶发的居民调查收集犯罪率、收入水平和住房条件等社会经济数据的传统方法并不充分，因为这类调查频率低、成本高，而且依赖人的主观感知，导致对社区层面状况的认识已经过时。

AI 在这一领域的应用正迅速普及，研究人员正在尝试利用卫星图像量化城市蔓延，并通过机器学习项目大规模绘制发展中国家的贫困、财富和收入分布图。尽管取得了这些进展，城市环境中的物理景观及其随时间发生的变化仍未得到充分探索。

据 Andrea Vallebueno 表示，“目前还没有一种充分的测量方法，能够记录城市空间的质量、其随时间的变化，以及其中呈现的空间不平等。” Andrea 与合著者 Yong Suk Lee 合作，利用高频 Google Street View 图像并构建街道路段级面板数据来填补这一空白，成为该领域的先驱。

Andrea Vallebueno 是 斯坦福大学监管、评估与治理实验室 的计算科学研究员。

用 AI 做公益#

Andrea 对利用数据科学开展社会公益应用的热情，促使她探索机器学习和视觉 AI 的应用。Andrea 拥有经济学背景以及斯坦福大学数据科学硕士学位，已经使用 Ultralytics YOLOv5 约一年半。

Andrea 在墨西哥城长大，童年时期就深切意识到不同社区之间存在巨大差异，例如 Santa Fe，一堵大型混凝土墙将富人与穷人分隔开来。作为一名数据科学研究人员，Vallebueno 开始担心传统经济数据会忽略这些极端差异，从而掩盖不平等和城市衰退的指标。她意识到，随着世界各地越来越多的人涌入城市，缺乏详细数据只会成为一个日益紧迫的问题。

为什么选择 Ultralytics YOLOv5？#

Andrea 和 Yong 旨在创建一种客观的城市衰败衡量指标。他们在 Google Street View 图像中使用目标检测，捕捉八种能够反映城市衰败的城市特征。他们选择了 YOLOv5，因为它具有较快的推理速度，并且能够利用上下文信息，这对他们的应用场景至关重要。

训练好的模型用于对来自旧金山、墨西哥城和 South Bend 不同社区的 114,000 张街景图像运行推理。八种属性的检测结果在街道路段级别进行汇总，以生成城市衰败指数，并衡量城市衰败发生率随时间的变化。

墨西哥城，MX

旧金山，CA

Andrea 和她的团队发现，Ultralytics YOLOv5 非常易于使用，他们的大部分时间都花在整理数据集和训练模型上。他们很欣赏该工具与实验跟踪工具的集成，以及边界框的自动学习功能，这让整个流程更加易于上手。

Andrea 和她的团队期待扩展城市质量衡量指标，将城市物理环境中的积极属性纳入其中，并在各种不同的城市社区中测试这些指标的表现。

旧金山 Tenderloin 社区中，随时间变化的帐篷/篷布无家可归者住所模型检测结果可视化。

开始接触 AI 的建议#

对于刚接触 AI 的人，Andrea 建议寻找一个自己真正感兴趣的问题或研究课题，并完整经历 AI 生命周期。她认为，这是建立直觉并了解模型局限性的最佳方式之一。

AI 正日益成为大学和研究人员不可或缺的工具，因为它能够帮助他们探索和理解复杂的数据集，使研究结果更加准确可靠。通过利用 AI，研究人员可以更全面地了解城市空间以及城市居民面临的挑战，从而制定更好的政策和解决方案。

感谢你阅读 Andrea 使用 YOLOv5 的经历！你愿意分享自己的经历吗？欢迎在任何平台上使用你自己的 Ultralytics YOLO 用例并标记 @Ultralytics，我们会向 ML 社区推广你的成果。