Sekilas Tentang YOLO (Dalam Perkembangan AI)

Oleh: Soegianto, Fakultas Sain dan Teknologi

Dalam perkembangan teknologi kecerdasan buatan, salah satu metode yang kini semakin populer untuk deteksi objek adalah teknik YOLO (You Only Look Once). Pendekatan ini telah membuka cakrawala baru dalam bagaimana komputer dapat mengenali dan mendeteksi berbagai objek dalam waktu nyata dengan kecepatan dan akurasi tinggi.

Pada dasarnya, YOLO adalah teknik yang mengubah seluruh proses deteksi objek menjadi sebuah masalah regresi tunggal. Ini memungkinkan model untuk memprediksi langsung bounding box dan kelas objek dalam satu langkah cepat. Dalam aplikasi ini, YOLO dikenal karena kemampuannya mendeteksi berbagai objek secara simultan dalam satu gambar, dari mobil, orang, hingga benda-benda kecil seperti botol atau kursi.

Langkah pertama dalam menerapkan YOLO adalah mempersiapkan data pelatihan yang berkualitas, mulai dari mengumpulkan gambar-gambar dengan resolusi tinggi hingga proses anotasi manual. Setiap objek dalam gambar diberi label dan bounding box secara hati-hati, memastikan bahwa model memiliki data berkualitas untuk dipelajari. Keakuratan proses pelabelan ini sangat penting, karena kesalahan kecil dapat mengurangi presisi dari model YOLO yang dilatih.

Setelah data siap, proses pelatihan model dimulai dengan menggunakan YOLO versi terbaru, seperti YOLOv8, yang telah mengalami peningkatan dalam kecepatan dan akurasi dibanding versi-versi sebelumnya. Pada tahap ini, gambar-gambar yang telah dilabeli diproses untuk menghasilkan output deteksi yang lebih baik. Model dilatih untuk mengenali pola dan karakteristik objek dalam berbagai kondisi gambar, termasuk variasi pencahayaan dan sudut pandang. Perkembangan Yolo dapat disimpulkan sebagai berikut

1.YOLOv5

Pengembangan Independen: YOLOv5 bukanlah kelanjutan resmi dari YOLOv4. YOLOv5 dikembangkan oleh tim Ultralytics dan menjadi populer karena kemudahan penggunaannya dan performa tinggi.

Efisiensi dan Kecepatan: YOLOv5 menonjol dengan kecepatan inferensinya yang sangat tinggi, berkat penggunaan framework PyTorch. Model ini lebih ringan dan mudah diterapkan pada berbagai perangkat, termasuk edge devices.

Ukuran Model dan Variasi: YOLOv5 menawarkan berbagai ukuran model mulai dari YOLOv5s (small) hingga YOLOv5x (extra-large), yang memungkinkan pengguna untuk menyesuaikan model sesuai kebutuhan performa dan sumber daya.

Data Augmentation dan Auto-Anchor: YOLOv5 memperkenalkan peningkatan dalam augmentasi data otomatis dan mekanisme auto-anchor yang membantu meningkatkan deteksi objek pada gambar dengan kondisi yang lebih kompleks.
Ekosistem yang User-Friendly: YOLOv5 menawarkan ekosistem yang sangat ramah pengguna, dengan integrasi yang mudah, dokumentasi lengkap, dan tutorial yang tersedia secara luas.

2. YOLOv6

Optimasi untuk Industri: YOLOv6 dikembangkan oleh Meituan dan dirancang khusus untuk kecepatan tinggi dengan akurasi yang lebih baik di lingkungan industri.

Performa Cepat dan Akurat: Dibandingkan dengan YOLOv5, YOLOv6 membawa perbaikan dalam hal latensi yang lebih rendah tanpa mengorbankan akurasi. Ini membuatnya cocok untuk aplikasi real-time yang memerlukan respons cepat.

Arsitektur yang Lebih Ringan: YOLOv6 menggunakan pendekatan arsitektur yang lebih ringan dengan berbagai optimasi seperti penggunaan blok CBNet dan task balancing, yang membantu dalam mencapai keseimbangan antara akurasi dan kecepatan.

3. YOLOv7

Inovasi Arsitektur: YOLOv7 yang dikembangkan oleh tim yang sama dengan YOLOv4, memperkenalkan teknik arsitektur baru seperti E-ELAN (Extended Efficient Layer Aggregation Networks) yang memungkinkan peningkatan efisiensi dalam pembelajaran fitur.

Performa Terbaik di Kelasnya: YOLOv7 mengklaim sebagai model YOLO dengan kinerja terbaik dalam hal keseimbangan antara akurasi dan kecepatan hingga saat ini. Model ini mengungguli versi sebelumnya di hampir semua benchmark object detection.

Desain Modular dan Scalable: YOLOv7 sangat fleksibel dengan desain modular yang memungkinkan untuk diterapkan pada skenario yang lebih luas, termasuk deteksi objek skala besar hingga aplikasi edge AI.

4. YOLOv8 (Versi Terbaru)

Peningkatan Fleksibilitas dan Adaptasi: YOLOv8 membawa pembaruan signifikan dalam hal fleksibilitas, dengan arsitektur yang lebih adaptif untuk berbagai tugas seperti deteksi objek, segmentasi, dan klasifikasi.

One-Click Training dan Deployment: YOLOv8 semakin mempermudah proses pelatihan dan deployment model dengan menyediakan fitur one-click yang lebih otomatis dan mendukung berbagai framework.

Pembelajaran Transfer yang Lebih Baik: YOLOv8 mengoptimalkan teknik pembelajaran transfer, yang memudahkan model untuk dilatih dengan data baru tanpa harus melatih ulang dari awal.

Dukungan Ekosistem Lengkap: Versi ini memberikan dukungan yang lebih luas dalam hal integrasi dengan alat seperti TensorFlow, PyTorch, dan ONNX, serta kemudahan dalam deployment di perangkat edge.

Dalam pelatihan model ini, beberapa parameter utama yang diperhatikan adalah penyesuaian bounding box serta optimalisasi hyperparameter agar hasil deteksi optimal. Proses ini melibatkan pelatihan dengan GPU yang kuat agar model dapat diproses dalam waktu yang relatif singkat. Hasil akhir dari pelatihan adalah model yang mampu mendeteksi objek secara real-time dengan presisi tinggi, siap untuk diaplikasikan dalam berbagai skenario seperti pengawasan, otomatisasi industri, hingga aplikasi kendaraan otonom.

Untuk menginstal YOLOv8 menggunakan Python, Kita dapat mengikuti langkah-langkah berikut. YOLOv8 dikembangkan oleh Ultralytics dan didukung oleh PyTorch. Berikut adalah panduan langkah demi langkah dalam bahasa pemrograman Python:

### 1. *Persiapan Lingkungan*
– Pastikan Python 3.7 atau versi lebih baru telah terinstal di komputer Anda.
– Sebaiknya Anda membuat virtual environment agar instalasi paket tidak mengganggu proyek lain.

bash
python -m venv yolov8-env

Aktifkan virtual environment:

– Di Windows:

bash
yolov8-env\Scripts\activate

– Di macOS/Linux:

bash
source yolov8-env/bin/activate

### 2. *Menginstal ultralytics*
YOLOv8 dapat diinstal langsung menggunakan pip karena sudah didistribusikan sebagai paket Python oleh Ultralytics.

bash
pip install ultralytics

Setelah instalasi selesai, Anda dapat memverifikasi instalasi dengan perintah berikut:

bash
yolo

Jika semuanya berjalan dengan benar, Anda akan melihat output dengan informasi tentang penggunaan YOLOv8.

### 3. *Menguji Instalasi YOLOv8*
Setelah instalasi, Anda dapat mencoba menjalankan model YOLOv8 untuk mendeteksi objek pada gambar atau video. Berikut adalah contoh sederhana menggunakan Python:

python
from ultralytics import YOLO

# Memuat model YOLOv8 (pretrained)
model = YOLO(‘yolov8n.pt’) # ‘n’ berarti versi nano (ukuran kecil dan cepat)

# Mendeteksi objek pada gambar
results = model(‘path/to/your/image.jpg’) # Ganti dengan path gambar Anda

# Menampilkan hasil deteksi
results.show()

### 4. *Pelatihan Model Kustom dengan YOLOv8*
Jika Anda ingin melatih model YOLOv8 pada dataset Anda sendiri, berikut adalah langkah-langkah dasar:

– *Persiapkan Dataset*: Dataset harus disiapkan dalam format YOLO, dengan folder images dan labels (berisi file .txt untuk bounding box).
– *Konfigurasi File YAML*: File .yaml diperlukan untuk mendefinisikan path dataset, jumlah kelas, dan nama kelas.

Contoh konfigurasi file .yaml:

yaml
train: ./data/images/train
val: ./data/images/val

nc: 3 # Jumlah kelas
names: [‘class1’, ‘class2’, ‘class3’]

– *Mulai Pelatihan*:

bash
yolo task=detect mode=train model=yolov8n.pt data=path/to/your/dataset.yaml epochs=100 imgsz=640

Perintah di atas melatih model dengan 100 epoch menggunakan dataset yang ditentukan.

### 5. *Inferensi dengan Model Terlatih*
Setelah pelatihan selesai, Anda bisa menggunakan model yang sudah dilatih untuk melakukan inferensi:

python
results = model(‘path/to/your/test_image.jpg’)
results.show() # Menampilkan hasil deteksi

### 6. *Menyimpan Model Terlatih*
Model yang telah dilatih dapat disimpan dan digunakan kembali:

python
model.save(‘path/to/save/your_model.pt’)

### 7. *Menggunakan YOLOv8 dalam Mode CLI*
Selain menggunakan Python, Anda juga dapat menjalankan YOLOv8 langsung dari command line:

bash
yolo task=detect mode=predict model=yolov8n.pt source=’path/to/image_or_video’

Kesimpulan

Dengan mengikuti langkah-langkah di atas, Kita dapat menginstal, mengonfigurasi, melatih, dan menjalankan model YOLOv8 untuk deteksi objek. YOLOv8 menyediakan pendekatan yang lebih mudah dan cepat untuk implementasi model deteksi objek dalam Python.

Secara keseluruhan, teknik YOLO memberikan solusi komprehensif dalam dunia deteksi objek dengan kecepatan, presisi, dan kemampuan untuk memproses gambar secara bersamaan. Bagi mereka yang berkecimpung di bidang pengembangan teknologi AI, pemahaman dan penerapan YOLO menjadi keahlian berharga yang membuka peluang tak terbatas dalam implementasi teknologi masa depan.

EDITOR: REYNA

Related Posts