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、应对城市居民所面临的贫困、基础设施、交通、健康和安全等各种挑战的关键。然而，通过偶尔开展的居民调查来收集犯罪率、收入水平和住房条件等社会经济数据的传统方法并不够用，因为这类调查频率低、成本高，而且依赖人的主观判断，导致社区状况的评估结果过时。

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扩张，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，城市环境中的实体空间及其随时间发生的变化仍未得到充分探索。

据 Andrea Vallebueno所说，“目前没有合适的衡量方法，能够记录城市空间的质量、其随时间的变化以及其中存在的空间不平等。” Andrea 与合著者 Yong Suk Lee合作，利用高频率的 Google 街景图像构建街道分段级面板数据，以填补这一空白，成为该领域的先行者。

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 行善#

Andrea 热衷于将数据科学用于公益，因此开始探索机器学习和视觉 AI。Andrea 拥有经济学背景和斯坦福大学数据科学硕士学位，使用 Ultralytics YOLOv5 已约一年半。

Andrea 在墨西哥城长大，小时候就深切感受到不同社区之间的巨大差异，例如 Santa Fe 社区的一堵大型混凝土墙将富人和穷人隔开。作为一名数据科学研究员，Vallebueno 开始关注传统经济数据如何忽视这些极端差异，从而掩盖不平等和城市衰退的迹象。她意识到，随着世界各地越来越多的人迁入城市，缺乏详细数据只会成为日益紧迫的问题。

为什么选择 Ultralytics YOLOv5？#

Andrea 和 Yong 希望创建一种客观的城市衰退衡量方法。他们在 Google 街景图像中使用目标检测，捕捉了八种能够反映城市衰退的城市特征。他们选择了 YOLOv5，因为它推理速度快，而且能够利用上下文信息，这对他们的应用场景至关重要。

他们使用训练好的模型，对来自旧金山、墨西哥城和南本德不同社区的 114,000 张街景图像进行推理。随后，他们在街道分段级别汇总这八种属性的检测结果，生成城市衰退指数，并衡量城市衰退发生率随时间的变化。

墨西哥城，墨西哥

旧金山，加利福尼亚州

Andrea 和她的团队发现，Ultralytics YOLOv5 非常容易上手，他们的大部分时间都花在整理数据集和训练模型上。他们很喜欢它与实验跟踪工具的集成，以及自动学习锚框的功能，这让整个流程更容易使用。

Andrea 和她的团队很期待将城市质量衡量指标扩展到包括城市实体环境中的积极特征，并在多种不同的城市社区中测试这些指标的表现。

按时间显示旧金山 Tenderloin 社区中用作无家可归者居所的帐篷/防水布的模型检测结果。

开启 AI 之旅的建议#

对于刚接触 AI 的人，Andrea 建议找到一个自己热衷的问题或研究课题，并完整走一遍 AI 生命周期。她认为，这是培养直觉并了解模型局限性的最佳方法之一。

AI 正日益成为高校和研究人员的重要工具，因为它能够帮助他们探索和理解复杂的数据集，让研究结果更加准确、可靠。借助 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！你也想分享自己的经历吗？欢迎在各个平台标记 @Ultralytics，并分享你使用 Ultralytics YOLO的案例，我们会向 ML 社区推广你的成果。