Berikut adalah silabus 10 sesi @1.5 jam untuk topik “Arsitektur Hybrid YOLO dan Transformer untuk Deteksi dan Segmentasi Objek Kompleks”, dirancang untuk level lanjut seperti tesis atau disertasi S2/S3. Setiap sesi mencakup teori, praktik, dan diskusi studi kasus atau jurnal terkini.
Silabus 10 Sesi (1,5 Jam/Sesi)
Topik: Arsitektur Hybrid YOLO dan Transformer untuk Deteksi dan Segmentasi Objek Kompleks
Sesi 1: Pengantar Deteksi dan Segmentasi Objek
-
Konsep deteksi vs segmentasi objek (bounding box vs pixel-wise)
-
Evolusi algoritma deteksi objek: dari R-CNN ke YOLO
-
Pengenalan segmentasi objek: semantic vs instance
-
Tugas: Review paper YOLO dan Mask R-CNN
Sesi 2: Arsitektur dan Mekanisme Kerja YOLOv5/v7/v8
-
Komponen YOLO: Backbone, Neck, Head
-
Dataset dan label format (COCO, Pascal VOC)
-
Performa YOLO dalam skenario objek kompleks
-
Tugas: Uji coba pre-trained YOLOv5 pada dataset COCO-mini
Sesi 3: Transformer dalam Komputer Visi
-
Arsitektur dasar Vision Transformer (ViT)
-
Self-attention dan patch embedding
-
Penerapan transformer untuk object detection (DETR, Swin Transformer)
-
Tugas: Analisis arsitektur DETR dari Facebook AI
Sesi 4: Hybridisasi YOLO dan Transformer
-
Motivasi menggabungkan CNN dan Transformer
-
Contoh arsitektur hybrid: YOLOS, TransYOLO, Swin-YOLO
-
Tantangan dan keunggulan model hybrid
-
Tugas: Presentasi pendek tentang satu model hybrid pilihan
Sesi 5: Persiapan Dataset dan Tools
-
Dataset deteksi + segmentasi: COCO, ADE20K, Cityscapes
-
Tools: Roboflow, LabelMe, Supervisely
-
Augmentasi dan balancing untuk objek kompleks



