BELAJAR MUDAH OBJECT DETECTION DENGAN YOLO

Presentasi berjudul: "BELAJAR MUDAH OBJECT DETECTION DENGAN YOLO"— Transcript presentasi:

1 BELAJAR MUDAH OBJECT DETECTION DENGAN YOLO
Anggi Andriyadi (Ph.D Students, Tunghai University)

2 OUTLINE Pengenalan YOLO Bagaimana YOLO Bekerja? Kenapa Memilih YOLO?
Git Clone YOLOv4 Percobaan Pertama

3 APA ITU YOLO? YOLO (You Only Look Once) adalah sebuah algoritma deteksi objek secara realtime yang memiliki tingkat akurasi yang sangat tinggi. Berdasarkan beberapa penelitian tingkat akurasi YOLO bisa mencapai diatas 70%.

4 YOLO VS EVERYONE YOLO berbeda dari algoritma deteksi objek konvensional lainnya (Eg. Faster R-CNN) yang masih menggunakan Convolutional Neural Network (CNN) untuk ekstraksi fitur / gambar yang ingin di deteksi. lalu menggunakan algoritma tambahan lagi untuk memetakan wilayah deteksi (Eg. Selective Search), yang nantinya akan dipetakan lagi, sehingga proses menjadi lebih rumit dan lama.

5 THE SUPER-YOLO Pada YOLO, anda tidak perlu memetakan wilayah objek, karena YOLO akan secara mandiri akan memetakan objek berdasarkan grid lalu memberikan tingkat keyakinan di setiap grid pada objek yang akan dideteksi. Kesederhanaan ini membuat YOLO menjadi algoritma Superior daripada algoritma lainnya.

6 YOLO VS FASTER R-CNN [1] Model Iterasi mAP Presisi Recall
40.000 72.12 71 63 YOLO v3 36.000 65.53 73 54 Faster R-CNN 51.00 58 49 mAP: menilai seberapa baik model dalam mendeteksi objek pada berbagai tingkat kepercayaan (confidence). Presisi: Mengukur akurasi model dalam mengidentifikasi objek positif. Recall: Mengindikasikan kemampuan model untuk menemukan semua objek positif yang sebenarnya. Referensi: ABDULGHANİ, A. M. A. ghani, & DALVEREN, G. G. M. (2022). Moving Object Detection in Video with Algorithms YOLO and Faster R-CNN in Different Conditions. European Journal of Science and Technology, 33, 40–54.

7 BAGAIMANA YOLO BEKERJA?
YOLO akan membagi gambar menjadi 7x7 grid cell, lalu disetiap grid akan membentuk bounding box untuk memetakan objek yang akan dideteksi. Setiap bounding box akan memiliki confidence score. Lalu non-maximum suppression (NMS) akan mengeleminasi bounding box dengan confidence score rendah, dan mempertahankan score yang tinggi.

8 ILLUSTRASI YOLO

9 git clone https://github.com/PamanGie/darknet
Untuk menggunakan YOLO, mari kita clone YOLOv4 dari repositori saya untuk belajar, gunakan perintah ini di powershell (windows) atau terminal (Mac OS / Linux). git clone

10 PERCOBAAN 1: DETEKSI MANUSIA
Untuk mencoba YOLO, anda bisa mendownload kode python saya dibawah ini dengan perintah curl -0. Atau Mengikuti praktik di video saya. curl -O

11 THANKS! Do you have any questions? anggi.andriyadi@gmail.com
Please keep this slide for attribution