Kursus Machine Learning: Optimasi Kinerja Model Deep Learning dalam Deteksi Objek Otomatis Menggunakan YOLOv5 dan Transfer Learning

Berikut adalah silabus 20 sesi @1,5 jam untuk topik:

Optimasi Kinerja Model Deep Learning dalam Deteksi Objek Otomatis Menggunakan YOLOv5 dan Transfer Learning

Fase 1: Dasar-Dasar Deteksi Objek dan Deep Learning (Sesi 1–5)

Sesi 1: Pengantar Deteksi Objek dan Deep Learning

• Apa itu deteksi objek?

• Perbedaan image classification, object detection, dan segmentation

• Konsep dasar CNN (Convolutional Neural Network)

• Studi kasus YOLO dan arsitekturnya

Sesi 2: Mengenal YOLO (You Only Look Once)

• Evolusi YOLO (v1 – v8)

• Fokus pada YOLOv5: arsitektur dan keunggulan

• Input-output format YOLOv5

• Tools yang digunakan: Python, PyTorch, Google Colab

Sesi 3: Instalasi Lingkungan dan Tools

• Instalasi Python, PyTorch, dan YOLOv5

• Struktur folder dan dataset YOLO

• Praktik setup Google Colab dan CUDA untuk training

Sesi 4: Dataset dan Format Anotasi

• Dataset deteksi objek populer: COCO, Pascal VOC, custom dataset

• Format anotasi: YOLO format, .txt file, labelImg

• Hands-on: Anotasi gambar dengan LabelImg

Sesi 5: Pra-pemrosesan dan Augmentasi Data

• Resize, normalize, augmentasi (flip, crop, blur, dll)

• Menggunakan Albumentations dan augmentasi built-in YOLOv5

• Evaluasi pengaruh augmentasi terhadap training

⚙️ Fase 2: Implementasi YOLOv5 dan Transfer Learning (Sesi 6–10)

Sesi 6: Training Model YOLOv5 dari Awal (Baseline)

• Menyiapkan data.yaml , konfigurasi train.py

• Memulai training model YOLOv5