YOLO (You Only Look Once), Kelebihan dan Kekurangannya
TweetDalam dunia penglihatan komputer dan pembelajaran mesin, deteksi objek merupakan tugas yang sangat penting dan menantang. Deteksi objek melibatkan proses mengidentifikasi dan melokalisasi objek dalam gambar atau video dengan memberikan label dan kotak pembatas (bounding box) di sekitar objek tersebut. Salah satu algoritma yang telah menciptakan revolusi dalam bidang ini adalah YOLO (You Only Look Once).
Apa itu YOLO?
YOLO adalah sebuah sistem deteksi objek real-time yang diusulkan oleh Joseph Redmon, Santosh Divvala, Ross Girshick, dan Ali Farhadi dari Universitas Washington pada tahun 2015. YOLO berbeda dari algoritma deteksi objek tradisional yang memerlukan proposal region dan klasifikasi secara terpisah. Sebaliknya, YOLO memperlakukan deteksi objek sebagai masalah regresi tunggal, di mana gambar masukan diproses secara keseluruhan, dan kotak pembatas beserta label kelas diprediksi secara serentak.
Arsitektur YOLO
YOLO menggunakan jaringan syaraf tiruan konvolusi (Convolutional Neural Network/CNN) untuk melakukan deteksi objek. Arsitektur YOLO terdiri dari beberapa lapisan konvolusi dan lapisan fully connected yang diikuti oleh dua lapisan khusus untuk menangani deteksi objek.
- Pertama, gambar masukan dibagi menjadi grid sel (biasanya 7x7 atau 19x19). Setiap sel dalam grid bertanggung jawab untuk memprediksi kotak pembatas dan skor kepercayaan untuk objek yang berada di dalam sel tersebut. Skor kepercayaan ini mencerminkan seberapa yakin model bahwa terdapat objek dalam sel tersebut.
- Kedua, untuk setiap sel, model juga memprediksi skor probabilitas untuk setiap kategori objek yang ada. Jumlah kategori objek ini ditentukan sebelumnya selama pelatihan
Dengan demikian, output akhir dari YOLO adalah koordinat kotak pembatas, skor kepercayaan, dan skor probabilitas untuk setiap kategori objek di setiap sel dalam grid. Model kemudian menerapkan filter non-maksimum suppression untuk menghilangkan kotak pembatas yang tumpang tindih dan menyisakan kotak pembatas terbaik.
Kelebihan YOLO
YOLO menawarkan beberapa keunggulan signifikan dibandingkan algoritma deteksi objek tradisional:
- Kecepatan yang Luar Biasa YOLO sangat cepat dalam melakukan deteksi objek. Dengan hanya melihat gambar satu kali (dasar penamaan "You Only Look Once"), YOLO dapat memproses gambar dengan kecepatan lebih dari 45 frame per detik (fps) pada GPU biasa. Ini membuatnya sangat cocok untuk aplikasi real-time seperti deteksi objek pada video atau sistem kendaraan otonom.
- Deteksi Objek End-to-End YOLO memperlakukan deteksi objek sebagai masalah regresi tunggal, sehingga tidak memerlukan proposal region atau klasifikasi terpisah. Ini membuat proses deteksi lebih sederhana dan efisien.
- Generalisasi yang Baik Karena YOLO melihat gambar secara keseluruhan, model ini dapat dengan baik menangkap konteks dan hubungan spasial antara objek. Ini memungkinkan YOLO untuk menggeneralisasi dengan lebih baik pada objek dalam situasi yang lebih kompleks.
- Pembelajaran yang Mudah YOLO menggunakan arsitektur CNN yang sama untuk melakukan ekstraksi fitur dan memprediksi kotak pembatas serta label kelas. Ini menyederhanakan proses pelatihan dan membuatnya lebih mudah untuk dioptimalkan.
Kelemahan YOLO
Meskipun YOLO menawarkan banyak kelebihan, ada juga beberapa kelemahan yang perlu dipertimbangkan:
- Akurasi yang Relatif Lebih Rendah Meskipun cepat, YOLO memiliki akurasi yang sedikit lebih rendah dibandingkan beberapa algoritma deteksi objek lainnya, seperti Faster R-CNN atau Mask R-CNN, terutama pada objek kecil atau objek yang saling tumpang tindih.
- Kesulitan dalam Menangani Objek Kecil YOLO dapat mengalami kesulitan dalam mendeteksi objek yang sangat kecil dalam gambar, karena resolusi grid yang terbatas dan kemampuan lokalisasi yang lebih rendah dibandingkan algoritma lainnya.
- Masalah dengan Objek yang Saling Tumpang Tindih Ketika ada banyak objek yang saling tumpang tindih dalam satu sel grid, YOLO hanya dapat memprediksi satu kotak pembatas untuk sel tersebut. Ini dapat menyebabkan kehilangan informasi atau kesalahan deteksi.
- Keterbatasan dalam Jumlah Objek yang Dapat Dideteksi YOLO memiliki keterbatasan dalam jumlah maksimum objek yang dapat dideteksi dalam satu gambar. Jumlah ini ditentukan oleh ukuran grid dan jumlah kotak pembatas yang dapat diprediksi per sel.
Pengembangan Lebih Lanjut
Sejak diperkenalkan, YOLO telah mengalami beberapa iterasi dan perbaikan untuk meningkatkan kinerjanya. Beberapa versi terbaru dari YOLO adalah:
- YOLOv2 (2017) YOLOv2 memperkenalkan beberapa perbaikan, seperti batch normalization, anchors berbasis data, dan klasifikasi multi-label. Ini meningkatkan akurasi dan kecepatan deteksi objek.
- YOLOv3 (2018) YOLOv3 menggunakan arsitektur jaringan yang lebih dalam dan lebih kompleks, serta menerapkan teknik seperti prediksi multiskala dan deteksi fitur yang lebih kuat. Ini meningkatkan akurasi deteksi objek, terutama pada objek kecil.
- YOLOv4 (2020) YOLOv4 mengombinasikan beberapa teknik terbaru, seperti Cross Stage Partial Network (CSPNet) dan Spatial Pyramid Pooling (SPP), untuk meningkatkan kecepatan dan akurasi deteksi objek.
- YOLOv5 (2020) YOLOv5 adalah versi yang lebih ringan dan lebih cepat dari YOLO, dengan peningkatan kecepatan hingga 1,6 kali lipat dibandingkan YOLOv4 tanpa mengorbankan akurasi.
Implementasi YOLO
YOLO telah diadopsi secara luas dalam berbagai aplikasi nyata, antara lain:
- Kendaraan Otonom YOLO digunakan dalam sistem kendaraan otonom untuk mendeteksi objek di sekitar kendaraan, seperti pejalan kaki, kendaraan lain, dan rambu lalu lintas, dalam waktu real-time.
- Keamanan dan Pengawasan YOLO dapat digunakan dalam sistem keamanan dan pengawasan untuk mendeteksi objek atau aktivitas mencurigakan, seperti orang, senjata, atau perilaku yang tidak semestinya.
- Pertanian dan Kehutanan YOLO dapat digunakan dalam bidang pertanian dan kehutanan untuk mendeteksi hama, penyakit tanaman, atau bahkan satwa liar yang dapat mengancam tanaman atau hutan.
- Pelacakan Objek Dengan kemampuannya yang cepat dalam deteksi objek, YOLO dapat dimanfaatkan untuk melacak pergerakan objek dalam video atau aliran data gambar secara real-time.
- Pengenalan Objek dalam Augmented Reality (AR) YOLO juga digunakan dalam aplikasi Augmented Reality (AR) untuk mengenali objek di dunia nyata dan menambahkan elemen digital atau informasi tambahan ke objek tersebut.
- Analisis Citra Medis Dalam bidang medis, YOLO dapat digunakan untuk mendeteksi dan menganalisis lesi, tumor, atau anomali lain dalam citra medis seperti CT scan, MRI, atau X-ray.
Kesimpulan
YOLO telah mengubah lanskap deteksi objek dengan pendekatan yang revolusioner dan kecepatan yang luar biasa. Meskipun masih ada ruang untuk perbaikan, YOLO telah menjadi algoritma yang sangat populer dan banyak diadopsi dalam berbagai aplikasi nyata, mulai dari kendaraan otonom hingga analisis citra medis. Dengan terus berkembangnya teknologi deep learning dan kecerdasan buatan, YOLO berpotensi untuk terus berkembang dan membuka peluang aplikasi baru yang lebih canggih di masa depan.
Bagi teman teman yang memiliki kebutuhan tentang judul Skripsi Yolo (You only look once). Kami dapat membantu teman teman agar bisa lulus tepat waktu, kami menerima jasa pembuatan aplikasi skripsi untuk teknik informatika, sistem informasi dan ilmu komputer. dengan perngerjaan yang cepat dan biaya yang terjangkau bagi mahasiswa. tentu kami bisa menjadi solusi terbaik untuk anda
Portofolio
Berikut kami tampilkan beberapa portofolio yang pernah kami kerjakan. Lihat Selengkapnya
-untuk-Prediksi-Pergerakan-Harga-Forex.jpg)
Oleh : Firda
Tanggal Publikasi :
Bebas DP bagi Skripsi dengan Judul dan Konsep yang Jelas
Sisa Kuota 2
Sisa Waktu : : : :
