Explora cómo la IA y YOLOv5 innovan la medición de la calidad urbana, ayudando a elaborar políticas eficaces y a afrontar los retos urbanos. Descubre el impacto de Ultralytics.
La medición precisa de la calidad de los espacios urbanos es un aspecto crítico para crear políticas eficaces que aborden los diversos retos a los que se enfrentan los habitantes de las ciudades, como la pobreza, las infraestructuras, el transporte, la salud y la seguridad. Sin embargo, los métodos tradicionales de recopilación de datos socioeconómicos como los índices de delincuencia, los niveles de ingresos y las condiciones de la vivienda mediante encuestas ciudadanas ocasionales son inadecuados, ya que son poco frecuentes, caros y se basan en la percepción humana, lo que conduce a una imagen desfasada de las condiciones a nivel de barrio.
El uso de la IA en este campo está ganando popularidad rápidamente, con investigadores que experimentan con imágenes de satélite para cuantificar la expansión urbana y proyectos de aprendizaje automático para generar mapas a gran escala de la pobreza, la riqueza y los ingresos en los países en desarrollo. A pesar de estos avances, aún no se ha explorado a fondo el paisaje físico dentro de los entornos urbanos y cómo cambia con el tiempo.
Según Andrea Vallebueno, "no existe una medida adecuada que documente la calidad del espacio urbano, su cambio a lo largo del tiempo y la desigualdad espacial que presenta". Andrea trabajó con su coautor, Yong Suk Lee, para llenar este vacío utilizando imágenes de alta frecuencia de Google Street View y construyendo datos de panel a nivel de segmento de calle, lo que les convierte en pioneros en este campo.
Andrea Vallebueno es Investigadora de Ciencia Computacional en el Laboratorio de Regulación, Evaluación y Gobernanza de la Universidad de Stanford.
La pasión de Andrea por utilizar la ciencia de datos para aplicaciones de bien social la llevó a explorar el uso del aprendizaje automático y la IA de visión. Con formación en economía y un Máster en Ciencia de Datos por Stanford, Andrea lleva utilizando YOLOv5 desde hace aproximadamente un año y medio.
De niña en Ciudad de México, Andrea era muy consciente de las dramáticas disparidades entre barrios como Santa Fe, donde un gran muro de hormigón separaba a los ricos de los pobres. Como investigadora científica de datos, Vallebueno empezó a preocuparse por cómo los datos económicos tradicionales pasan por alto estas diferencias extremas, oscureciendo los indicadores de desigualdad y declive urbano. Se dio cuenta de que, con la creciente afluencia de personas que se trasladan a las ciudades de todo el mundo, la falta de datos detallados no haría sino convertirse en un problema más acuciante.
Andrea y Yong pretendían crear una medida objetiva de la decadencia urbana. Utilizaron la detección de objetos en las imágenes de Google Street View para captar ocho características urbanas indicativas de la decadencia urbana. Eligieron YOLOv5 por su velocidad de inferencia y el uso de información contextual, que era crucial para su caso de uso.
El modelo entrenado se utilizó para realizar inferencias en 114.000 imágenes de vistas de calles de distintos barrios de San Francisco, Ciudad de México y South Bend. Las detecciones de los ocho atributos se agregaron a nivel de segmento de calle para generar índices de deterioro urbano y medir el cambio en la incidencia del deterioro urbano a lo largo del tiempo.
A Andrea y su equipo les resultó increíblemente fácil trabajar con YOLOv5 , y dedicaron la mayor parte de su tiempo a curar su conjunto de datos y entrenar sus modelos. Apreciaron la integración con las herramientas de seguimiento de experimentos y el aprendizaje automático de los cuadros delimitadores, que hicieron el proceso mucho más accesible.
Andrea y su equipo están entusiasmados por ampliar su medida de la calidad urbana para incluir atributos positivos del entorno físico urbano y probar el rendimiento de estos índices en un conjunto diverso de barrios urbanos.
Visualización del conjunto de detecciones de modelos de tiendas/toldos utilizados como viviendas de indigentes a lo largo del tiempo en el barrio de Tenderloin, San Francisco.
Para los que se inician en la IA, Andrea recomienda encontrar un problema o una pregunta de investigación que les apasione y recorrer todo el ciclo de vida de la IA. Cree que ésta es una de las mejores formas de desarrollar la intuición y comprender las limitaciones de su modelo.
La IA se está convirtiendo cada vez más en una herramienta crucial para las universidades y los investigadores, ya que les permite explorar y comprender conjuntos de datos complejos, haciendo que sus conclusiones sean más precisas y fiables. Aprovechando la IA, los investigadores pueden crear una comprensión más completa de los espacios urbanos y de los retos a los que se enfrentan los habitantes de las ciudades, lo que conduce a mejores políticas y soluciones.
¡Gracias por leer la experiencia de Andrea con YOLOv5! ¿Quieres compartir tu experiencia? Etiquétanos en todas partes @Ultralytics con tu propio Ultralytics YOLO caso de uso y promocionaremos tu trabajo entre la comunidad de ML.
Comienza tu viaje con el futuro del aprendizaje automático
