Erforsche, wie KI und YOLOv5 die Messung der städtischen Qualität innovativ gestalten und so zu effektiven politischen Entscheidungen und der Bewältigung städtischer Herausforderungen beitragen. Entdecke Ultralytics' Wirkung.
Die genaue Messung der Qualität städtischer Räume ist ein entscheidender Aspekt bei der Entwicklung wirksamer politischer Maßnahmen zur Bewältigung der verschiedenen Herausforderungen, mit denen die Stadtbewohner konfrontiert sind, wie Armut, Infrastruktur, Verkehr, Gesundheit und Sicherheit. Herkömmliche Methoden zur Erhebung sozioökonomischer Daten wie Kriminalitätsraten, Einkommensniveaus und Wohnverhältnisse durch gelegentliche Bürgerbefragungen sind jedoch unzureichend, da sie selten durchgeführt werden, teuer sind und sich auf die menschliche Wahrnehmung stützen, was zu einem veralteten Bild der Bedingungen auf Stadtteilebene führt.
Der Einsatz von KI in diesem Bereich wird immer beliebter. Forscher experimentieren mit Satellitenbildern, um die Ausbreitung von Städten zu quantifizieren, und mit Projekten zum maschinellen Lernen, um großflächige Karten von Armut, Wohlstand und Einkommen in Entwicklungsländern zu erstellen. Trotz dieser Fortschritte muss die physische Landschaft in städtischen Gebieten und ihre Veränderung im Laufe der Zeit noch vollständig erforscht werden.
Laut Andrea Vallebueno "gibt es kein adäquates Maß, das die Qualität des städtischen Raums, seine Veränderung im Laufe der Zeit und die räumliche Ungleichheit, die er darstellt, dokumentiert". Gemeinsam mit ihrem Co-Autor Yong Suk Lee hat Andrea Vallebueno diese Lücke geschlossen, indem sie hochfrequente Google Street View-Bilder verwendet und Paneldaten auf der Ebene von Straßensegmenten erstellt hat, was sie zu Pionieren auf diesem Gebiet macht.
Andrea Vallebueno ist Research Fellow für Computational Science am Regulation, Evaluation and Governance Lab der Stanford University.
Andrea's Leidenschaft für die Nutzung von Datenwissenschaft für Anwendungen im sozialen Bereich hat sie dazu gebracht, sich mit maschinellem Lernen und KI zu beschäftigen. Mit einem wirtschaftswissenschaftlichen Hintergrund und einem Master-Abschluss in Data Science von Stanford nutzt Andrea YOLOv5 seit etwa eineinhalb Jahren.
Als Kind in Mexiko-Stadt war sich Andrea Vallebueno der dramatischen Unterschiede zwischen Stadtvierteln wie Santa Fe bewusst, wo eine große Betonmauer die Reichen von den Armen trennte. Als Datenwissenschaftlerin machte sich Vallebueno Gedanken darüber, wie traditionelle Wirtschaftsdaten diese extremen Unterschiede übersehen und die Indikatoren für Ungleichheit und städtischen Niedergang verschleiern. Sie erkannte, dass mit dem wachsenden Zustrom von Menschen in die Städte weltweit der Mangel an detaillierten Daten zu einem noch dringlicheren Problem werden würde.
Andrea und Yong wollten ein objektives Maß für den städtischen Verfall schaffen. Sie nutzten die Objekterkennung in den Street View-Bildern von Google , um acht städtische Merkmale zu erfassen, die auf städtischen Verfall hindeuten. Sie wählten YOLOv5 aufgrund seiner schnellen Inferenz und der Verwendung von Kontextinformationen, die für ihren Anwendungsfall entscheidend waren.
Das trainierte Modell wurde verwendet, um 114.000 Straßenansichten aus verschiedenen Vierteln in San Francisco, Mexiko-Stadt und South Bend zu analysieren. Die Erkennungen der acht Attribute wurden auf der Ebene der Straßenabschnitte aggregiert, um Indizes für den städtischen Verfall zu erstellen und die Veränderung der Häufigkeit des städtischen Verfalls im Laufe der Zeit zu messen.
Andrea und ihr Team fanden, dass die Arbeit mit YOLOv5 unglaublich einfach ist. Die meiste Zeit verbrachten sie damit, ihren Datensatz zu kuratieren und ihre Modelle zu trainieren. Sie schätzten die Integration mit den Werkzeugen zur Versuchsverfolgung und das automatische Lernen von Bounding Boxes, was den Prozess wesentlich vereinfachte.
Andrea und ihr Team freuen sich darauf, ihr Maß für urbane Qualität um positive Attribute der physischen städtischen Umwelt zu erweitern und die Leistung dieser Indizes in einer Reihe von Stadtvierteln zu testen.
Visualisierung der Modellerkennung von Zelten, die im Laufe der Zeit als Obdachlosenunterkünfte in der Nachbarschaft von Tenderloin, San Francisco, genutzt wurden.
Denjenigen, die neu im Bereich der KI sind, empfiehlt Andrea, sich ein Problem oder eine Forschungsfrage zu suchen, für die sie sich begeistern können, und den gesamten KI-Lebenszyklus zu durchlaufen. Sie glaubt, dass dies eine der besten Möglichkeiten ist, um Intuition zu entwickeln und die Grenzen ihres Modells zu verstehen.
KI wird immer mehr zu einem wichtigen Werkzeug für Universitäten und Forscher, da sie es ihnen ermöglicht, komplexe Datensätze zu erforschen und zu verstehen, wodurch ihre Ergebnisse genauer und zuverlässiger werden. Durch den Einsatz von KI können Forscherinnen und Forscher ein umfassenderes Verständnis für urbane Räume und die Herausforderungen, mit denen Stadtbewohnerinnen und -bewohner konfrontiert sind, entwickeln, was zu besseren Strategien und Lösungen führt.
Danke, dass du über Andrea's Erfahrungen mit YOLOv5 gelesen hast! Möchtest du deine Erfahrungen mit uns teilen? Tagge uns überall @Ultralytics mit deinem ganz eigenen Ultralytics YOLO Anwendungsfall und wir werden deine Arbeit in der ML-Community bekannt machen.
Beginne deine Reise in die Zukunft des maschinellen Lernens
