揭示城市衰退的迹象：人工智能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的关键，这些政策旨在解决城市居民面临的各种挑战，如贫困、基础设施、交通、健康和安全。然而，通过偶尔的公民调查收集犯罪率、收入水平和住房条件等社会经济数据的传统方法是不够的，因为它们不频繁、成本高昂，并且依赖于人类的感知，从而导致对社区状况的过时描述。

人工智能在该领域的使用正迅速普及，研究人员正在试验卫星图像来量化城市扩张，并进行机器学习项目以生成发展中国家贫困、财富和收入的大规模地图。尽管取得了这些进展，但城市环境中的物理景观及其随时间的变化尚未得到充分探索。

根据Andrea Vallebueno的说法，“目前还没有充分的措施来记录城市空间的质量、其随时间的变化以及所呈现的空间不平等。” Andrea与她的合著者Yong Suk Lee合作，通过使用高频Google街景图像并在街道段级别构建面板数据来填补这一空白，使他们成为该领域的先驱。

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

用 AI 行善

Andrea 对使用数据科学进行社会公益应用的热情促使她探索机器学习和视觉 AI 的使用。凭借经济学背景和斯坦福大学数据科学硕士学位，Andrea 使用 YOLOv5 已经大约一年半了。

安德烈亚在墨西哥城长大，她敏锐地意识到圣达菲等社区之间存在着巨大的差距，在那里，一堵巨大的混凝土墙将富人与穷人隔开。作为一名数据科学家研究员，Vallebueno 开始关注传统经济数据如何忽略这些极端差异，从而掩盖了不平等和城市衰退的指标。她意识到，随着越来越多的人涌入世界各地的城市，缺乏详细的数据只会成为一个更加紧迫的问题。

为什么选择 YOLOv5？

Andrea 和 Yong 旨在创建一种客观的城市衰败衡量标准。他们使用 Google 街景图像中的目标检测来捕捉八个指示城市衰败的城市特征。他们选择 YOLOv5 是因为它的推理速度和上下文信息的使用，这对于他们的用例至关重要。

训练后的模型被用于对来自旧金山、墨西哥城和南本德不同街区的 114,000 张街景图像进行推理。八个属性的检测结果在街道段级别进行汇总，以生成城市衰退指数，并衡量城市衰退发生率随时间的变化。

​

​

‍
Andrea 和她的团队发现 YOLOv5 非常易于使用，他们的大部分时间都花在管理数据集和训练模型上。他们很欣赏与实验跟踪工具的集成以及边界框的自动学习，这使得该过程更加容易。

Andrea 和她的团队很高兴能够扩展他们对城市质量的衡量标准，以包括物理城市环境的积极属性，并在不同的城市社区中测试这些指标的性能。

在旧金山 Tenderloin 社区，随着时间的推移，被用作无家可归者住所的帐篷/防水布的模型检测集的可视化。

在人工智能领域入门的建议

对于那些刚接触 AI 的人，Andrea 建议找到他们热衷的问题或研究课题，并完成整个 AI 生命周期。她认为这是建立直觉和理解模型局限性的最佳方法之一。

人工智能正日益成为大学和研究人员的重要工具，因为它使他们能够探索和理解复杂的数据集，从而使他们的发现更加准确和可靠。 通过利用人工智能，研究人员可以更全面地了解城市空间和城市居民面临的挑战，从而制定更好的政策和解决方案。

感谢您阅读关于 Andrea 使用 YOLOv5 的经验！您想分享您的经验吗？在任何地方 @Ultralytics 并附上您自己的Ultralytics YOLO 用例，我们将向 ML 社区推广您的工作。

​