Explora a forma como a IA e YOLOv5 inovam a medição da qualidade urbana, ajudando a elaborar políticas eficazes e a enfrentar os desafios urbanos. Descobre o impacto do Ultralytics'.
A medição exacta da qualidade dos espaços urbanos é um aspeto fundamental para a criação de políticas eficazes que respondam aos vários desafios enfrentados pelos habitantes das cidades, como a pobreza, as infra-estruturas, os transportes, a saúde e a segurança. No entanto, os métodos tradicionais de recolha de dados socioeconómicos, como as taxas de criminalidade, os níveis de rendimento e as condições de habitação, através de inquéritos ocasionais aos cidadãos, são inadequados, uma vez que não são frequentes, são dispendiosos e dependem da perceção humana, o que conduz a uma imagem desactualizada das condições ao nível do bairro.
A utilização da IA neste domínio está a ganhar popularidade rapidamente, com os investigadores a fazerem experiências com imagens de satélite para quantificar a expansão urbana e projectos de aprendizagem automática para gerar mapas em grande escala da pobreza, riqueza e rendimento nos países em desenvolvimento. Apesar destes avanços, a paisagem física dos ambientes urbanos e a forma como esta se altera ao longo do tempo ainda não foram totalmente exploradas.
De acordo com Andrea Vallebueno, "não existe uma medida adequada que documente a qualidade do espaço urbano, a sua mudança ao longo do tempo e a desigualdade espacial que apresenta." Andrea trabalhou com o seu coautor, Yong Suk Lee, para preencher esta lacuna, utilizando imagens de alta frequência do Google Street View e construindo dados de painel ao nível do segmento de rua, o que os tornou pioneiros neste domínio.
Andrea Vallebueno é investigadora de Ciência Computacional no Laboratório de Regulação, Avaliação e Governação da Universidade de Stanford.
A paixão de Andrea pela utilização da ciência dos dados para aplicações de bem social levou-a a explorar a utilização da aprendizagem automática e da IA de visão. Com formação em economia e um mestrado em ciência de dados em Stanford, Andrea utiliza o YOLOv5 há cerca de um ano e meio.
Quando era criança na Cidade do México, Andrea tinha plena consciência das disparidades dramáticas entre bairros como Santa Fé, onde um grande muro de betão separava os ricos dos pobres. Como investigadora cientista de dados, Vallebueno ficou preocupada com a forma como os dados económicos tradicionais ignoram estas diferenças extremas, obscurecendo os indicadores de desigualdade e declínio urbano. Percebeu que, com o crescente afluxo de pessoas que se mudam para as cidades em todo o mundo, a falta de dados detalhados tornar-se-ia uma questão ainda mais premente.
Andrea e Yong pretendiam criar uma medida objetiva da degradação urbana. Utilizaram a deteção de objectos em imagens do Google Street View para captar oito características urbanas que são indicativas de degradação urbana. Escolheram o YOLOv5 devido à sua velocidade de inferência e à utilização de informações contextuais, o que era crucial para o seu caso de utilização.
O modelo treinado foi utilizado para efetuar inferência em 114.000 imagens de vistas de ruas de diferentes bairros de São Francisco, Cidade do México e South Bend. As detecções dos oito atributos foram agregadas ao nível do segmento de rua para gerar índices de degradação urbana e medir a alteração da incidência da degradação urbana ao longo do tempo.
Andrea e a sua equipa consideraram o YOLOv5 incrivelmente fácil de trabalhar, tendo passado a maior parte do tempo a organizar o seu conjunto de dados e a treinar os seus modelos. Apreciaram a integração com ferramentas de controlo de experiências e a aprendizagem automática de caixas delimitadoras, o que tornou o processo muito mais acessível.
Andrea e a sua equipa estão entusiasmados por expandir a sua medida de qualidade urbana para incluir atributos positivos do ambiente físico urbano e testar o desempenho destes índices num conjunto diversificado de bairros urbanos.
Visualização do conjunto de detecções de modelos de tendas/tendas utilizadas como habitações de sem-abrigo ao longo do tempo no bairro de Tenderloin, São Francisco.
Para os principiantes em IA, Andrea recomenda que encontrem um problema ou uma questão de investigação que os entusiasme e que passem por todo o ciclo de vida da IA. Acredita que esta é uma das melhores formas de desenvolver a intuição e compreender as limitações do seu modelo.
A IA está a tornar-se cada vez mais uma ferramenta crucial para as universidades e os investigadores, uma vez que lhes permite explorar e compreender conjuntos de dados complexos, tornando as suas conclusões mais precisas e fiáveis. Ao tirar partido da IA, os investigadores podem criar uma compreensão mais abrangente dos espaços urbanos e dos desafios que os habitantes das cidades enfrentam, conduzindo a melhores políticas e soluções.
Obrigado por leres sobre a experiência da Andrea com YOLOv5! Gostarias de partilhar a tua experiência? Marca-nos em todo o lado @Ultralytics com o teu próprio Ultralytics YOLO caso de utilização e nós promoveremos o teu trabalho junto da comunidade ML.
Começa a tua viagem com o futuro da aprendizagem automática
