Las funciones de mapas de OpenStreetMap implementadas con visión por computadora

• Mozilla.ai cree que la inteligencia artificial (IA) ofrece muchas oportunidades para fortalecer a las comunidades mediante la colaboración abierta.
• Estas oportunidades deben diseñarse con cuidado, y está creciendo la preocupación por el uso excesivo de la IA.
• En este contexto, desarrolló y lanzó el OpenStreetMap AI Helper Blueprint.
• ¿Por qué OpenStreetMap?
  • Los datos son un componente clave de las aplicaciones de IA, y OpenStreetMap cuenta con una comunidad activa que mantiene la base de datos de mapas abiertos más completa.
  • OpenStreetMap ofrece diversos datos, como carreteras y estaciones de tren, y al combinarlos con imágenes satelitales brinda posibilidades prácticamente ilimitadas para entrenar distintos modelos de IA.
  • El objetivo es acelerar las partes lentas del proceso de mapeo usando IA, manteniendo la verificación humana en las partes importantes.
• ¿Por qué visión por computadora?
  • Muchas funciones cartográficas se representan como polígonos, y encontrarlas y dibujarlas requiere mucho tiempo.
  • Los modelos de visión por computadora pueden realizar estas tareas con facilidad si se les proporciona suficiente información.
  • Se usan los modelos YOLOv11 y SAM2 para tareas de detección de objetos y segmentación, y estos modelos son ligeros, rápidos y aptos para ejecutarse localmente.
• OpenStreetMap AI Helper Blueprint
  • Paso 1: Crear un dataset de detección de objetos a partir de OpenStreetMap
    • Combinar datos de OpenStreetMap con imágenes satelitales y convertirlos a un formato adecuado para entrenamiento.
    • Descargar datos del área de interés usando la API de Nominatim y la API de Overpass, y guardarlos en formato Ultralytics YOLO.
  • Paso 2: Ajuste fino del modelo de detección de objetos
    • Ajustar finamente el modelo YOLOv11 y subirlo a Hugging Face Hub.
  • Paso 3: Contribuir a OpenStreetMap
    • Usar el modelo ajustado para ejecutar inferencias sobre varios mosaicos, verificar manualmente los nuevos objetos y luego subirlos a OpenStreetMap.
• Reflexiones finales
  • OpenStreetMap es un ejemplo poderoso de colaboración abierta para crear un mapa mundial impulsado por la comunidad.
  • OpenStreetMap AI Helper Blueprint muestra que la IA puede mejorar las contribuciones humanas y resalta el valor de los datos de alta calidad.
  • Con el Blueprint, es posible mapear aproximadamente 5 veces más piscinas en el mismo tiempo que con trabajo manual.
  • Se recomienda experimentar con el entrenamiento de modelos para otras funciones cartográficas, así como contribuir o ampliar el proyecto.

[depth221]

Por lo que vi, Map Feature normalmente se traduce como elemento geográfico (del mapa).

[GN⁺]

Comentarios en Hacker News

• Saludos desde la OpenStreetMap Foundation. No se deben agregar directamente a la base de datos las entidades detectadas por IA

  • Los algoritmos tienen problemas de falsos positivos y de mapear de forma temblorosa objetos rectos o rectangulares
  • Es útil como herramienta para detectar entidades faltantes, pero se necesita intervención humana para verificar que los objetos detectados estén dibujados correctamente
  • Las directrices relacionadas se pueden consultar en la wiki de OpenStreetMap

• Después de detectar piscinas, también me gustaría intentar detectar paneles solares

  • Hay mucha oposición a la idea de que OSM pueda crecer solo con trabajo manual
  • He hecho 60,000 cambios en 10 años, pero la pasión de los voluntarios humanos por sí sola no puede resolver el mapeo a escala global
  • Se necesita un framework escalable que permita anotar la calidad de los datos, su procedencia, cómo reportar bugs y lineamientos para los consumidores
  • Por ejemplo, cuando quieras consultar “negocios del tipo X mapeados por humanos durante el último año”, eso es posible hasta cierto punto con la “fecha de verificación”
  • Pero no se puede saber qué tan precisos son los atributos ni si el mapeador solo verificó el nombre/ubicación
  • Podría ser mejor recopilar el horario de atención de todos los lugares para mantener los datos automáticamente cada mes
  • Como consumidor de datos, podría ser mejor si se pudiera filtrar solo por ciertas fuentes confiables
  • Incluso con limitaciones como POI inferidos por IA, los datos podrían usarse

• Después de experimentar de primera mano con el mapeo automatizado, me volví muy cauteloso

  • Viajé por Sudamérica en moto, y en OSM hay muchas ediciones que parecen automatizadas, así que en ciertas zonas es casi inutilizable
  • Esto no solo pasa en caminos rurales, sino también en ciudades bastante grandes

• Tengo experiencia trabajando en esta área hace algunos años

  • Hay muchos modelos, datasets, herramientas, etc. ya existentes
  • El material relacionado se puede consultar en GitHub

• No estamos mapeando lo que se ve en imágenes satelitales, sino información real del terreno

  • No se deben aportar cosas imaginadas por la IA

• Google no lo permite, pero Mapbox sí lo permite si es para fines no comerciales o para usarse en OSM

  • Se pueden generar datasets vectoriales derivados usando las imágenes satelitales de Mapbox

• Ojalá Mozilla se enfocara en hacer un buen navegador

• Hace unos meses hice un trabajo similar (datos geográficos a pequeña escala)

  • El material relacionado se puede consultar en GitHub

• Quisiera ver detalles sobre cómo ajustar finamente SAM/2 para detectar piscinas o arreglos solares

  • Sería útil para proyectos de resiliencia comunitaria, pero no pude seguir el ajuste fino de SAM2
  • El modelo Yolov8 encuentra y segmenta bien los paneles solares, pero los bordes salen muy mal, así que requiere mucho trabajo
  • Los resultados entrenados con SAM2 se ven mucho mejor
  • No lo agregaría a OSM por problemas de precisión, pero podría usarse en otros lugares

• A esto le llamábamos “digitalización heads-up”