探索人工智能和YOLOv5 如何创新城市质量测量，帮助有效决策和应对城市挑战。了解Ultralytics 的影响。
要制定有效的政策来应对城市居民面临的各种挑战（如贫困、基础设施、交通、健康和安全），对城市空间质量进行精确测量是一个至关重要的方面。然而，通过不定期的市民调查来收集犯罪率、收入水平和住房条件等社会经济数据的传统方法是不够的，因为这些方法频率低、成本高，而且依赖于人的感知，导致对社区层面状况的描述过时。
人工智能在这一领域的应用正在迅速普及，研究人员尝试利用卫星图像量化城市无计划扩展，并利用机器学习项目生成发展中国家的大规模贫困、财富和收入地图。尽管取得了这些进展，但城市环境中的自然景观及其如何随时间发生变化仍有待充分探索。
安德烈娅-瓦莱布埃诺认为，"目前还没有适当的措施来记录城市空间的质量、其随时间的变化以及它所呈现的空间不平等"。 Andrea 与她的合著者Yong Suk Lee 合作，通过使用高频率的Google 街景图像和构建街道段级别的面板数据，填补了这一空白，使他们成为该领域的先驱。
Andrea Vallebueno 是斯坦福大学监管、评估和治理实验室的计算科学研究员。
Andrea 热衷于将数据科学用于社会公益应用，这促使她开始探索机器学习和视觉人工智能的应用。Andrea 拥有经济学背景和斯坦福大学数据科学硕士学位，使用YOLOv5 已经有一年半的时间。
安德烈娅还是墨西哥城的一个孩子时，就敏锐地意识到圣达菲等社区之间的巨大差异，那里一堵巨大的水泥墙将富人和穷人隔开。作为一名数据科学家研究员，瓦莱布埃诺开始关注传统经济数据如何忽视这些极端差异，掩盖了不平等和城市衰落的指标。她意识到，随着越来越多的人涌入世界各地的城市，缺乏详细数据只会成为一个更加紧迫的问题。
Andrea 和 Yong 的目标是创建一个衡量城市衰败的客观标准。他们利用Google 街景图像中的物体检测功能，捕捉到了表明城市衰败的八个城市特征。他们选择 YOLOv5因为它的推理速度快，而且可以使用上下文信息，这对他们的使用案例至关重要。
训练有素的模型被用于对旧金山、墨西哥城和南本德不同街区的 114,000 张街景图像进行推理。对八个属性的检测结果在街道段一级进行汇总，以生成城市衰败指数，并测量城市衰败发生率随时间的变化情况。
Andrea 和她的团队发现YOLOv5 非常容易使用，他们的大部分时间都花在了整理数据集和训练模型上。他们非常欣赏与实验跟踪工具的集成，以及自动学习边界框的功能，这使得整个过程更加便捷。
安德烈娅和她的团队很高兴能扩展他们的城市质量衡量标准，将城市物理环境的积极属性纳入其中，并在不同的城市街区测试这些指数的性能。
在旧金山 Tenderloin 社区，随着时间的推移，作为无家可归者住所的帐篷/帐篷模型检测集的可视化。
对于人工智能新手，Andrea 建议寻找一个他们热衷的问题或研究课题，并经历整个人工智能生命周期。她认为这是建立直觉和了解其模型局限性的最佳方法之一。
人工智能正日益成为大学和研究人员的重要工具，因为它能让他们探索和理解复杂的数据集，使他们的研究结果更加准确可靠。利用人工智能，研究人员可以更全面地了解城市空间和城市居民面临的挑战，从而制定更好的政策和解决方案。
感谢您阅读 Andrea 在YOLOv5 的经历！您想分享您的经历吗？请在 @Ultralytics 上标注您自己的 Ultralytics YOLO我们将向 ML 社区推广您的作品。
