Kursus Python YOLO: Optimalisasi Algoritma YOLO dengan Attention Mechanism untuk Deteksi Multiskala Objek

Berikut adalah silabus 10 sesi (masing-masing berdurasi 1,5 jam) untuk topik “Optimalisasi Algoritma YOLO dengan Attention Mechanism untuk Deteksi Multiskala Objek”. Silabus ini cocok untuk mahasiswa tingkat akhir S1, S2, maupun riset awal S3 yang ingin mengeksplorasi gabungan YOLO + Attention Mechanism (CBAM, SE, atau Transformer Attention) dalam konteks deteksi objek multiskala.

Silabus 10x Sesi @1.5 Jam

Judul: Optimalisasi Algoritma YOLO dengan Attention Mechanism untuk Deteksi Multiskala Objek

Sesi 1: Pengenalan Deteksi Objek dan YOLO

• Pengantar deteksi objek: anchor-based vs anchor-free

• Evolusi YOLO (v1–v8)

• Konsep single-shot detection dan real-time inference

• Studi kasus deteksi objek multiskala

Praktik: Run YOLOv5 pre-trained model di dataset COCO

Sesi 2: Arsitektur YOLO dan Masalah Deteksi Multiskala

• Penjelasan arsitektur dasar YOLOv4/v5

• Feature Pyramid Network (FPN) dan PANet dalam YOLO

• Kelemahan YOLO dalam menangani objek kecil vs besar

Praktik: Analisis bounding box untuk objek kecil, sedang, besar

Sesi 3: Attention Mechanism – Konsep Dasar

• Pengantar attention: soft vs hard attention

• Spatial dan channel-wise attention

• Contoh modul: CBAM (Convolutional Block Attention Module), SE (Squeeze-and-Excitation)

Praktik: Visualisasi attention map dari CBAM dan SE

Sesi 4: Integrasi Attention ke dalam YOLO

• Arsitektur YOLO + CBAM

• Letak integrasi: backbone, neck, head

• Perbandingan hasil deteksi dengan/ tanpa attention

Praktik: Implementasi YOLOv5 + CBAM

Sesi 5: Dataset dan Labeling untuk Objek Multiskala

• Dataset umum: COCO, VOC, custom dataset