Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
Impostazioni dei cookie
Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
Scoprire i segni del declino urbano: Il potere dell'intelligenza artificiale nella pianificazione urbana
Scopri come l'intelligenza artificiale e il sito YOLOv5 innovano la misurazione della qualità urbana, favorendo la definizione di politiche efficaci e affrontando le sfide urbane. Scopri l'impatto di Ultralytics.
La misurazione accurata della qualità degli spazi urbani è un aspetto critico per la creazione di politiche efficaci che affrontino le varie sfide che gli abitanti delle città devono affrontare, come la povertà, le infrastrutture, i trasporti, la salute e la sicurezza. Tuttavia, i metodi tradizionali di raccolta di dati socioeconomici come i tassi di criminalità, i livelli di reddito e le condizioni abitative attraverso indagini occasionali tra i cittadini sono inadeguati, poiché sono poco frequenti, costosi e si basano sulla percezione umana, dando luogo a un quadro non aggiornato delle condizioni a livello di quartiere.
L'uso dell'intelligenza artificiale in questo campo sta rapidamente guadagnando popolarità, con ricercatori che sperimentano immagini satellitari per quantificare l'espansione urbana e progetti di apprendimento automatico per generare mappature su larga scala di povertà, ricchezza e reddito nei paesi in via di sviluppo. Nonostante questi progressi, il paesaggio fisico all'interno degli ambienti urbani e il modo in cui cambia nel tempo devono ancora essere esplorati a fondo.
Secondo Andrea Vallebueno, "non esiste una misura adeguata che documenti la qualità dello spazio urbano, il suo cambiamento nel tempo e la disuguaglianza spaziale che presenta". Andrea ha collaborato con il suo coautore, Yong Suk Lee, per colmare questa lacuna utilizzando le immagini di Street View ad alta frequenza di Google e costruendo dati panel a livello di segmento stradale, diventando così i pionieri in questo campo.
La passione di Andrea per l'utilizzo della scienza dei dati per applicazioni di utilità sociale l'ha portata a esplorare l'uso dell'apprendimento automatico e dell'intelligenza artificiale. Con un background economico e un Master in Data Science conseguito a Stanford, Andrea utilizza YOLOv5 da circa un anno e mezzo.
Da bambina a Città del Messico, Andrea era molto consapevole delle drammatiche disparità tra quartieri come Santa Fe, dove un grande muro di cemento separava i ricchi dai poveri. In qualità di ricercatrice data scientist, Vallebueno si è preoccupata di come i dati economici tradizionali trascurino queste differenze estreme, oscurando gli indicatori di disuguaglianza e di declino urbano. Si è resa conto che con il crescente afflusso di persone che si trasferiscono nelle città di tutto il mondo, la mancanza di dati dettagliati sarebbe diventata un problema sempre più pressante.
Perché YOLOv5?
Andrea e Yong volevano creare una misura oggettiva del degrado urbano. Hanno utilizzato il rilevamento degli oggetti nelle immagini di Google Street View per catturare otto caratteristiche urbane indicative del degrado urbano. Hanno scelto YOLOv5 per la sua velocità di inferenza e per l'utilizzo di informazioni contestuali, fondamentali per il loro caso d'uso.
Il modello addestrato è stato utilizzato per eseguire l'inferenza su 114.000 immagini street view di diversi quartieri di San Francisco, Città del Messico e South Bend. I rilevamenti degli otto attributi sono stati aggregati a livello di segmento stradale per generare indici di degrado urbano e misurare la variazione dell'incidenza del degrado urbano nel tempo.
Città del Messico, MX
San Francisco, CA
Andrea e il suo team hanno trovato YOLOv5 incredibilmente facile da utilizzare: la maggior parte del tempo è stata dedicata alla raccolta dei dati e all'addestramento dei modelli. Hanno apprezzato l'integrazione con gli strumenti di tracciamento degli esperimenti e l'apprendimento automatico dei rettangoli di selezione, che ha reso il processo molto più accessibile.
Andrea e il suo team sono entusiasti di espandere la loro misura della qualità urbana per includere gli attributi positivi dell'ambiente fisico urbano e di testare le prestazioni di questi indici in una serie di quartieri urbani diversi.
Visualizzazione dell'insieme dei modelli di rilevamento di tende/tetti utilizzati come abitazioni per i senzatetto nel corso del tempo nel quartiere di Tenderloin, a San Francisco.
Consigli per iniziare a lavorare nell'IA
A chi è alle prime armi con l'IA, Andrea consiglia di trovare un problema o una domanda di ricerca che lo appassioni e di seguire l'intero ciclo di vita dell'IA. Ritiene che questo sia uno dei modi migliori per costruire l'intuizione e capire i limiti del proprio modello.
L'intelligenza artificiale sta diventando sempre più uno strumento cruciale per le università e i ricercatori, in quanto consente loro di esplorare e comprendere serie di dati complessi, rendendo le loro scoperte più accurate e affidabili. Sfruttando l'IA, i ricercatori possono creare una comprensione più completa degli spazi urbani e delle sfide che gli abitanti delle città devono affrontare, portando a politiche e soluzioni migliori.
Grazie per aver letto l'esperienza di Andrea con YOLOv5! Vuoi condividere la tua esperienza? Taggaci ovunque @Ultralytics con il tuo caso d'uso personale e noi promuoveremo il tuo lavoro nella comunità ML. Ultralytics YOLO e noi promuoveremo il tuo lavoro alla comunità ML.
