A medida que los espacios públicos en las zonas costeras urbanas se han vuelto cada vez más importantes para las actividades de ocio diarias de los residentes, sigue habiendo una falta de evidencia empírica basada en datos de imagen objetivos sobre cómo los entornos visuales a nivel de calle influyen en diferentes tipos de actividades de ocio. Los estudios existentes se han basado en gran medida en indicadores del entorno construido a gran escala y han prestado poca atención a la percepción visual a microescala desde la perspectiva del peatón. Para abordar esta brecha, este estudio se centra en la sección central del waterfront del río Perla en Guangzhou. Se realizaron observaciones de comportamiento en nueve unidades espaciales durante diferentes períodos de tiempo en días laborables y fines de semana, obteniendo 54 muestras de intensidad de actividades pasivas, activas y sociales. Mientras tanto, se establecieron 109 puntos de muestreo de vista de calle, generando 436 imágenes desde la perspectiva del peatón. Utilizando Mask2Former con un modelo preentrenado ADE20K, se extrajeron indicadores ambientales visuales, incluyendo el Índice de Vista Verde (GVI), el Índice de Vista del Cielo (SVI), la proporción del entorno construido, la proporción de carreteras y la diversidad visual (Entropía). Se aplicaron correlación de Spearman y regresión lineal múltiple para examinar sus efectos en la intensidad de la actividad. Los resultados muestran que las actividades de ocio son generalmente más activas por la tarde y los fines de semana, con las actividades sociales exhibiendo la mayor variación temporal. Las actividades activas permanecen relativamente estables, las actividades pasivas muestran dependencia temporal y las actividades sociales presentan un agrupamiento de alta intensidad localizado. Los resultados de la regresión revelan respuestas ambientales diferenciadas: la diversidad visual tiene un efecto positivo estable en las actividades pasivas, las actividades activas muestran asociaciones débiles con variables visuales y las actividades sociales son las más sensibles, con el GVI, SVI y la proporción construida mostrando efectos negativos significativos, mientras que la diversidad visual muestra un efecto positivo significativo. El modelo de actividad social también demuestra el mayor poder explicativo (Adj. R2 = 0.488). En general, este estudio desarrolla un método basado en segmentación semántica de vista de calle para cuantificar los entornos visuales del waterfront, demuestra el papel crítico de la composición ambiental visual en la formación de patrones de actividad y proporciona apoyo empírico para la optimización detallada y orientada a la actividad de los espacios públicos en las zonas costeras.