Explore comment l'IA et YOLOv5 innovent en matière de mesure de la qualité urbaine, en aidant à l'élaboration de politiques efficaces et en relevant les défis urbains. Découvre Ultralytics' impact.
La mesure précise de la qualité des espaces urbains est un aspect essentiel de la création de politiques efficaces qui s'attaquent aux divers défis auxquels sont confrontés les citadins, tels que la pauvreté, les infrastructures, les transports, la santé et la sécurité. Cependant, les méthodes traditionnelles de collecte de données socio-économiques telles que les taux de criminalité, les niveaux de revenus et les conditions de logement par le biais d'enquêtes occasionnelles auprès des citoyens sont inadéquates, car elles sont peu fréquentes, coûteuses et reposent sur la perception humaine, ce qui donne une image obsolète des conditions au niveau d'un quartier.
L'utilisation de l'IA dans ce domaine gagne rapidement en popularité, avec des chercheurs qui expérimentent l'imagerie satellite pour quantifier l'étalement urbain et des projets d'apprentissage automatique pour générer des cartographies à grande échelle de la pauvreté, de la richesse et des revenus dans les pays en développement. Malgré ces avancées, le paysage physique au sein des environnements urbains et la façon dont il évolue au fil du temps n'ont pas encore été entièrement explorés.
Selon Andrea Vallebueno, "il n'existe aucune mesure adéquate qui documente la qualité de l'espace urbain, son évolution dans le temps et l'inégalité spatiale qu'il présente." Andrea a travaillé avec son coauteur, Yong Suk Lee, pour combler cette lacune en utilisant des images Street View à haute fréquence Google et en construisant des données de panel au niveau du segment de rue, ce qui fait d'eux les pionniers dans ce domaine.
Andrea Vallebueno est chercheur en sciences informatiques au laboratoire de réglementation, d'évaluation et de gouvernance de l'université de Stanford.
La passion d'Andrea pour l'utilisation de la science des données dans des applications d'intérêt social l'a amenée à explorer l'utilisation de l'apprentissage automatique et de l'IA de vision. Avec une formation en économie et une maîtrise en science des données de Stanford, Andrea utilise YOLOv5 depuis environ un an et demi.
Enfant à Mexico, Andrea était très conscient des disparités dramatiques entre des quartiers comme Santa Fe, où un grand mur de béton séparait les riches des pauvres. En tant que chercheuse en science des données, Vallebueno s'est inquiétée de la façon dont les données économiques traditionnelles négligent ces différences extrêmes, obscurcissant les indicateurs d'inégalité et de déclin urbain. Elle a réalisé qu'avec l'afflux croissant de personnes s'installant dans les villes du monde entier, le manque de données détaillées ne ferait que devenir un problème plus pressant.
Andrea et Yong ont cherché à créer une mesure objective de la dégradation urbaine. Ils ont utilisé la détection d'objets dans l'imagerie Street View de Google pour capturer huit caractéristiques urbaines qui sont indicatives de la dégradation urbaine. Ils ont choisi YOLOv5 en raison de sa vitesse d'inférence et de l'utilisation d'informations contextuelles, ce qui était crucial pour leur cas d'utilisation.
Le modèle formé a été utilisé pour effectuer une inférence sur 114 000 images de rues de différents quartiers de San Francisco, Mexico et South Bend. Les détections des huit attributs ont été agrégées au niveau du segment de rue pour générer des indices de dégradation urbaine et mesurer l'évolution de l'incidence de la dégradation urbaine au fil du temps.
Andrea et son équipe ont trouvé que YOLOv5 était incroyablement facile à utiliser, la majorité de leur temps ayant été consacrée à la curation de leur ensemble de données et à l'entraînement de leurs modèles. Ils ont apprécié l'intégration avec les outils de suivi des expériences, et l'apprentissage automatique des boîtes englobantes, qui a rendu le processus beaucoup plus accessible.
Andrea et son équipe sont ravis d'élargir leur mesure de la qualité urbaine pour inclure des attributs positifs de l'environnement urbain physique et tester la performance de ces indices dans un ensemble diversifié de quartiers urbains.
Visualisation de l'ensemble des détections de modèles de tentes/tarpes utilisées comme habitations pour sans-abri au fil du temps dans le quartier de Tenderloin, à San Francisco.
Pour ceux qui débutent en IA, Andrea recommande de trouver un problème ou une question de recherche qui les passionne et de passer par le cycle de vie complet de l'IA. Elle pense que c'est l'un des meilleurs moyens de développer l'intuition et de comprendre les limites de leur modèle.
L'IA devient de plus en plus un outil crucial pour les universités et les chercheurs, car elle leur permet d'explorer et de comprendre des ensembles de données complexes, ce qui rend leurs conclusions plus précises et plus fiables. En tirant parti de l'IA, les chercheurs peuvent créer une compréhension plus complète des espaces urbains et des défis auxquels les citadins sont confrontés, ce qui permet d'élaborer de meilleures politiques et solutions.
Merci d'avoir lu l'expérience d'Andrea sur YOLOv5! Veux-tu partager ton expérience ? Tague-nous partout @Ultralytics avec ton propre cas d'utilisation. Ultralytics YOLO et nous ferons la promotion de ton travail auprès de la communauté ML.
Commence ton voyage avec le futur de l'apprentissage automatique.
