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，通过零星的公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已不足够，因为它们频率低、成本高，且依赖于主观感知，导致对社区层面的状况了解滞后。

人工智能在该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，并开展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映射。尽管取得了这些进展，但城市环境内的物理景观及其随时间的变化仍有待充分探索。

据 Andrea Vallebueno 表示，“目前还没有一种充分的衡量标准来记录城市空间的质量、其随时间的变化以及它所呈现的空间不平等。” Andrea 与她的合著者 Yong Suk Lee 合作，通过利用高频 Google Street View 图像并在街道段层面构建面板数据，填补了这一空白，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。

Link to this section用人工智能行善#

Andrea 对将数据科学应用于社会公益的热情促使她探索了机器学习和视觉 AI 的使用。凭借经济学背景和斯坦福大学的数据科学硕士学位，Andrea 已经使用 YOLOv5 大约一年半了。

作为在墨西哥城长大的孩子，Andrea 对像圣达菲 (Santa Fe) 这样贫富差距巨大的社区有着深刻的感触，那里有一道巨大的混凝土墙将富人和穷人隔开。作为一名数据科学研究人员，Vallebueno 开始关注传统经济数据如何忽视这些极端差异，从而掩盖了不平等和城市衰退的指标。她意识到，随着全球城市人口的不断涌入，缺乏详细数据的问题只会变得更加紧迫。

Link to this section为什么选择 YOLOv5？#

Andrea 和 Yong 旨在建立一种客观的城市衰退衡量标准。他们利用 Google Street View 图像中的目标检测技术，捕捉了八种象征城市衰退的城市特征。他们选择了 YOLOv5，因为它具有推理速度快且能利用上下文信息的优势，这对他们的应用场景至关重要。

该训练模型被用于对来自旧金山、墨西哥城和南本德不同社区的 114,000 张街景图像进行推理。这八种属性的检测结果在街道段层面进行了汇总，从而生成了城市衰退指数，并衡量了城市衰退发生率随时间的变化。

墨西哥，墨西哥城

加利福尼亚州，旧金山

Andrea 和她的团队发现 YOLOv5 非常易于上手，他们大部分时间都花在整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功能，这些使得整个过程变得更加轻松。

Andrea 和她的团队非常期待扩展他们的城市质量衡量标准，将物理城市环境的积极属性纳入其中，并在不同的城市社区中测试这些指标的表现。

旧金山田德隆区随时间变化的用作无家可归者住所的帐篷/防水布模型检测可视化结果。

Link to this section关于人工智能入门的建议#

对于人工智能新手，Andrea 建议找到一个你热衷的问题或研究课题，并走完完整的人工智能生命周期。她相信这是建立直觉并理解模型局限性的最佳方式之一。

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，从而使研究结果更加准确和可靠。通过利用人工智能，研究人员可以更全面地理解城市空间以及城市居民所面临的挑战，从而制定出更好的政策和解决方案。

感谢阅读 Andrea 使用 YOLOv5 的经验分享！你想分享自己的经验吗？在各平台通过 @Ultralytics 标签并附上你自己的 Ultralytics YOLO 用例，我们会向机器学习社区推广你的作品。