Kursus Python YOLO: Deteksi Objek 3D Realtime Berbasis YOLO dan Depth Estimation untuk Kendaraan Otonom

Berikut adalah silabus 10 sesi × 1,5 jam untuk topik “Deteksi Objek 3D Realtime Berbasis YOLO dan Depth Estimation untuk Kendaraan Otonom”. Silabus ini dirancang agar mencakup teori, praktik, dan proyek mini yang dapat dikembangkan lebih lanjut sebagai bagian dari riset atau tesis.

Silabus 10x Sesi – Deteksi Objek 3D Realtime Berbasis YOLO dan Depth Estimation

Sesi 1: Pengantar Deteksi Objek dan Kendaraan Otonom

• Konsep deteksi objek dan penerapannya dalam kendaraan otonom

• Evolusi YOLO: dari YOLOv1 hingga YOLOv8

• Studi kasus penggunaan real-time object detection pada kendaraan

• Tools yang akan digunakan: Python, OpenCV, PyTorch, YOLOv5/v8, dan ZED Stereo Camera/RealSense (opsional)

Sesi 2: Instalasi dan Setup Lingkungan Pengembangan

• Instalasi Python, PyTorch, dan dependensi

• Instalasi YOLOv5 / YOLOv8 dari GitHub

• Persiapan dataset untuk deteksi objek (COCO, KITTI, atau custom)

• Uji coba deteksi objek 2D menggunakan YOLOv5

Sesi 3: Pengenalan Depth Estimation dan Sensor 3D

• Pengantar Depth Estimation (stereo vision, monocular, LiDAR)

• Prinsip kerja kamera stereo dan sensor kedalaman (ZED, RealSense)

• Implementasi dasar perhitungan kedalaman dari stereo images

• Evaluasi hasil depth map

Sesi 4: Integrasi YOLO dengan Depth Estimation

• Menggabungkan bounding box YOLO dengan informasi depth

• Kalibrasi posisi kamera dan sinkronisasi data RGB + depth

• Transformasi 2D bounding box menjadi titik 3D (x, y, z)

Sesi 5: Visualisasi dan Estimasi Lokasi 3D Objek

• Pemetaan posisi objek terhadap kendaraan (koordinat relatif)

• Visualisasi real-time menggunakan OpenCV + matplotlib

• Penentuan jarak dan arah objek terhadap sumbu kendaraan