Изучи, как искусственный интеллект и YOLOv5 внедряют инновации в измерение качества городской среды, способствуя эффективному формированию политики и решению городских проблем. Открой для себя Ultralytics' влияние.
Точное измерение качества городских пространств - важнейший аспект в создании эффективной политики, направленной на решение различных проблем, с которыми сталкиваются городские жители, таких как бедность, инфраструктура, транспорт, здоровье и безопасность. Однако традиционные методы сбора социально-экономических данных, таких как уровень преступности, уровень доходов и жилищные условия, с помощью периодических опросов граждан неадекватны, так как они нечасты, дороги и полагаются на человеческое восприятие, что приводит к устаревшей картине условий на уровне района.
Использование искусственного интеллекта в этой области быстро набирает популярность: исследователи экспериментируют со спутниковыми снимками для количественной оценки разрастания городов, а проекты машинного обучения позволяют создавать масштабные карты бедности, богатства и доходов в развивающихся странах. Несмотря на эти достижения, физический ландшафт в городской среде и то, как он меняется со временем, еще не до конца изучен.
По словам Андреа Валлебуэно, "не существует адекватной меры, которая документировала бы качество городского пространства, его изменение с течением времени и пространственное неравенство, которое оно представляет". Андреа вместе со своим соавтором Йонг Сук Ли восполнила этот пробел, используя высокочастотные снимки Google Street View и построив панельные данные на уровне сегмента улицы, что сделало их первопроходцами в этой области.
Андреа Валлебуэно - научный сотрудник отдела вычислительных наук в лаборатории регулирования, оценки и управления Стэнфордского университета.
Страсть Андреа к использованию науки о данных для решения социальных задач привела ее к изучению возможностей машинного обучения и искусственного интеллекта зрения. Имея экономическое образование и степень магистра наук о данных в Стэнфорде, Андреа использует YOLOv5 уже около полутора лет.
Будучи ребенком в Мехико, Андреа остро ощущала резкое неравенство между такими районами, как Санта-Фе, где большая бетонная стена отделяла богатых от бедных. Став исследователем в области data scientist, Валлебуэно обеспокоилась тем, как традиционные экономические данные упускают из виду эти крайние различия, затушевывая показатели неравенства и упадка городов. Она поняла, что с растущим притоком людей, переселяющихся в города по всему миру, недостаток подробных данных станет только более насущной проблемой.
Андреа и Йонг задались целью создать объективный показатель городского упадка. Они использовали обнаружение объектов на снимках Google Street View, чтобы зафиксировать восемь городских особенностей, которые свидетельствуют о городском упадке. Они выбрали YOLOv5 благодаря его скорости вывода и использованию контекстной информации, что было очень важно для их случая.
Обученная модель была использована для проведения вычислений на 114 000 изображений уличных видов из разных районов Сан-Франциско, Мехико и Саут-Бенда. Обнаруженные восемь атрибутов были агрегированы на уровне сегмента улицы, чтобы создать индексы городского упадка и измерить изменения в распространенности городского упадка с течением времени.
Андреа и ее команда обнаружили, что с YOLOv5 невероятно легко работать, и большая часть их времени ушла на создание набора данных и обучение моделей. Они оценили интеграцию с инструментами для отслеживания экспериментов, а также автоматическое обучение ограничительных боксов, что сделало процесс гораздо более доступным.
Андреа и ее команда с нетерпением ждут возможности расширить свои показатели качества городской среды, включив в них положительные атрибуты физической городской среды, и проверить эффективность этих индексов в различных городских кварталах.
Визуализация набора модельных обнаружений палаток/тарпов, используемых в качестве жилья для бездомных, с течением времени в районе Тендерлойн, Сан-Франциско.
Новичкам в области ИИ Андреа рекомендует найти проблему или исследовательский вопрос, которым они увлечены, и пройти полный жизненный цикл ИИ. Она считает, что это один из лучших способов развить интуицию и понять ограничения своей модели.
ИИ все чаще становится важнейшим инструментом для университетов и исследователей, поскольку он позволяет им изучать и понимать сложные массивы данных, делая их выводы более точными и достоверными. Используя ИИ, исследователи могут составить более полное представление о городских пространствах и проблемах, с которыми сталкиваются горожане, что приведет к разработке более эффективной политики и решений.
Спасибо, что прочитал об опыте Андреа с YOLOv5! Хочешь поделиться своим опытом? Отметь нас везде @Ultralytics со своим собственным Ultralytics YOLO и мы прорекламируем твою работу в сообществе ML.
Начни свое путешествие с будущим машинного обучения
