Aunque las metodologías de caminata (WMs) y el aprendizaje automático (ML) han sido objetos de interés para los académicos urbanos, es difícil encontrar investigaciones que integren ambos. Proponemos un método de "caminata cyborg" y lo aplicamos al estudio de la basura en espacios públicos. Las rutas de caminata se crean en base a un algoritmo de aprendizaje no supervisado (k-means) para clasificar los espacios públicos. Luego, se utiliza un modelo de aprendizaje profundo (YOLOv5) para recopilar datos de fotos geolocalizadas tomadas por una cámara automática Insta360 X3 llevada por caminantes humanos. Los resultados del reconocimiento de imágenes tienen una precisión entre el 83.7% y el 95%, lo cual es similar a lo que valida la literatura. Los datos recopilados por la máquina están automáticamente georreferenciados gracias a los metadatos generados por un GPS adjunto a la cámara. Las WMs podrían beneficiarse de la introducción de ML para la optimización informativa de rutas y la cuantificación de datos visuales georreferenciados. Se discuten los vínculos entre estos hallazgos y la literatura existente sobre WMs, reflexionando sobre los paralelismos entre este experimento de "caminata cyborg" y la metáfora cyborg seminal propuesta por Donna Haraway.