Kursus Python YOLO: Penggabungan YOLO dan Generative Adversarial Network (GAN) untuk Peningkatan Akurasi Deteksi Objek di Area Terbatas

Berikut adalah silabus 10 sesi (@1.5 jam) untuk topik “Penggabungan YOLO dan Generative Adversarial Network (GAN) untuk Peningkatan Akurasi Deteksi Objek di Area Terbatas” yang dirancang untuk peserta dengan latar belakang computer vision atau deep learning tingkat menengah–lanjutan.

Silabus 10 Sesi – YOLO + GAN untuk Deteksi Objek di Area Terbatas

Tujuan Umum

Memahami integrasi YOLO dan GAN dalam meningkatkan akurasi deteksi objek, khususnya untuk citra terbatas (low-resource dataset), termasuk implementasi, pelatihan, evaluasi, dan optimasi model.

✅ Sesi 1: Pengantar YOLO dan GAN

• Penjelasan konsep YOLO (You Only Look Once) untuk deteksi objek

• Penjelasan konsep GAN (Generative Adversarial Network) untuk augmentasi data

• Studi kasus masalah deteksi di area terbatas (low-data, low-resolution)

• Tools yang digunakan: Python, PyTorch/TensorFlow, Google Colab

✅ Sesi 2: Arsitektur dan Variasi YOLO

• Evolusi YOLO (v1 hingga v8)

• Struktur model YOLOv5/YOLOv8 (Backbone, Neck, Head)

• Kelebihan dan kelemahan dalam konteks dataset terbatas

• Instalasi dan eksplorasi model YOLOv5

✅ Sesi 3: Arsitektur GAN dan Aplikasinya dalam Computer Vision

• Struktur GAN: Generator & Discriminator

• Conditional GAN vs Vanilla GAN

• Aplikasi GAN: augmentasi, restorasi, super-resolution

• Studi pustaka penggunaan GAN untuk perbaikan citra

✅ Sesi 4: Dataset dan Persiapan Pipeline

• Pemilihan dan anotasi dataset terbatas (labelimg, Roboflow)

• Preprocessing data untuk YOLO dan GAN

• Struktur direktori proyek YOLO + GAN

• Evaluasi baseline akurasi YOLO tanpa GAN

✅ Sesi 5: Implementasi GAN untuk Augmentasi Data

• Membangun model GAN dasar (DCGAN atau cGAN)