Silabus: Implementasi YOLO untuk Deteksi Objek pada Lingkungan Lalu Lintas Kota untuk Optimalisasi Sistem Pemantauan Kendaraan
Sesi 1-5: Pengantar dan Dasar-Dasar
-
Sesi 1: Pengantar Deteksi Objek Tinjauan umum tentang Deteksi Objek
-
Kasus penggunaan dalam sistem pemantauan lalu lintas
-
Pengenalan algoritma YOLO (You Only Look Once)
-
Sesi 2: Menyiapkan Lingkungan Kerja Instalasi Python, PyTorch, dan pustaka yang diperlukan
-
Mengkloning repositori YOLOv5
-
Tinjauan arsitektur YOLOv5
-
Sesi 3: Memahami Model YOLOv5 Penjelasan rinci tentang model YOLOv5
-
Lapisan dan komponen model
-
Memahami kotak jangkar (anchor boxes) dan grid cells
-
Sesi 4: Persiapan Dataset untuk Pemantauan Lalu Lintas Pengumpulan data untuk pemantauan lalu lintas (gambar/video)
-
Anotasi data menggunakan alat seperti LabelImg atau Roboflow
-
Konversi anotasi ke format YOLO
-
Sesi 5: Augmentasi dan Pranala Data Teknik augmentasi data (penyesuaian skala, rotasi, pembalikan)
-
Implementasi alur pemrosesan data
-
Pembagian dataset menjadi set pelatihan, validasi, dan uji
Sesi 6-10: Pelatihan dan Evaluasi Model
-
Sesi 6: Melatih YOLOv5 pada Data Lalu Lintas Kustom Menyiapkan parameter pelatihan
-
Melakukan proses pelatihan
-
Memantau kemajuan pelatihan menggunakan metrik loss dan akurasi
-
Sesi 7: Evaluasi Model Mengevaluasi model pada set validasi
-
Metrik: Precision, Recall, F1 Score, mAP (mean Average Precision)
-
Menganalisis confusion matrix dan mengidentifikasi kelemahan
-
Sesi 8: Penyempurnaan Hyperparameter Pentingnya penyempurnaan hyperparameter
-
Mengatur ulang learning rate, ukuran batch, dan parameter lainnya
-
Menggunakan grid search dan random search untuk penyempurnaan



