Dalam dunia komputer vision, deteksi objek merupakan salah satu tantangan utama. Algoritma You Only Look Once (YOLO) telah memperkenalkan pendekatan yang revolusioner dalam melakukan deteksi objek secara cepat dan akurat. Artikel ini akan membahas tentang algoritma YOLO, prinsip kerjanya, dan bagaimana kita dapat menerapkannya menggunakan MATLAB.

Pengenalan Algoritma YOLO

Algoritma You Only Look Once (YOLO) adalah pendekatan deteksi objek real-time yang memungkinkan kita untuk mendeteksi objek dalam satu kali pengamatan sekaligus, tanpa perlu proses komputasi yang berulang-ulang. YOLO memahami tampilan gambar sebagai masalah regresi dan menerapkan deep learning untuk menghasilkan bounding box (kotak batas) yang mengelilingi objek-objek yang ada dalam gambar, berserta dengan label dan tingkat keyakinan (confidence score).

Prinsip Kerja YOLO

Algoritma YOLO bekerja melalui beberapa langkah:

1. Grid Cell Division: Citra masukan dibagi menjadi grid sel yang tumpang tindih. Setiap grid cell bertanggung jawab untuk mendeteksi objek yang berada di dalamnya.
2. Prediksi Bounding Box dan Kelas: Tiap grid cell memprediksi beberapa bounding box berserta skor keyakinan dan probabilitas untuk kelas objek yang ada di dalamnya.
3. Non-Maximum Suppression: Untuk menghindari duplikasi deteksi, algoritma melakukan non-maximum suppression untuk memilih bounding box yang paling sesuai dan memiliki tingkat keyakinan yang tinggi.

Penerapan Algoritma YOLO Menggunakan MATLAB

Berikut adalah langkah-langkah untuk menerapkan algoritma YOLO menggunakan MATLAB:

Langkah 1: Persiapan Data dan Model Pre-Trained

1. Siapkan dataset untuk training atau testing. Pastikan data memiliki bounding box yang sesuai dengan objek yang ingin dideteksi.
2. Unduh model pre-trained YOLO dari sumber terpercaya.

Langkah 2: Import dan Praproses Citra

1. Import citra yang ingin dideteksi objeknya.
2. Lakukan praproses seperti normalisasi, resizing, dan konversi ke format yang sesuai.

Langkah 3: Deteksi Objek Menggunakan Model YOLO

1. Muat model pre-trained YOLO menggunakan MATLAB.
2. Gunakan model untuk melakukan prediksi deteksi objek pada citra yang telah diproses.

Langkah 4: Analisis dan Visualisasi Hasil

1. Interpretasikan hasil prediksi, yaitu bounding box, kelas objek, dan skor keyakinan.
2. Visualisasikan hasil dengan menggambar bounding box dan label pada citra asli.

Langkah 5: Evaluasi dan Pengembangan

1. Evaluasi performa model dengan menggunakan metrik deteksi objek seperti Average Precision (AP) atau mAP.
2. Lakukan fine-tuning atau pengembangan lebih lanjut untuk meningkatkan performa model jika diperlukan.

Algoritma You Only Look Once (YOLO) telah membawa perubahan besar dalam dunia deteksi objek dengan memungkinkan deteksi objek real-time yang akurat. Dengan penerapan algoritma YOLO menggunakan MATLAB, kita dapat menggali potensi algoritma ini dalam berbagai aplikasi, seperti deteksi manusia, kendaraan, hewan, dan banyak lagi. Dengan memahami prinsip kerja YOLO dan memanfaatkan kemampuan MATLAB dalam komputasi dan visualisasi, kita dapat mengembangkan solusi deteksi objek yang lebih baik dan efisien.

Sejak pertama kali diperkenalkan, beberapa versi dan variasi dari algoritma YOLO telah dikembangkan untuk meningkatkan performa dan efisiensi. Berikut adalah penjelasan mengenai beberapa jenis YOLO yang telah ada:

1. YOLOv1 (You Only Look Once Version 1): Ini adalah versi asli dari algoritma YOLO yang memperkenalkan konsep deteksi objek dengan pendekatan single-shot. YOLOv1 membagi citra menjadi grid cells, dan setiap grid cell bertanggung jawab untuk memprediksi beberapa bounding box bersama dengan skor keyakinan dan probabilitas kelas objek. YOLOv1 berhasil membuka pintu untuk deteksi objek real-time, meskipun memiliki beberapa kendala dalam mendeteksi objek kecil atau dekat.
2. YOLOv2 (You Only Look Once Version 2): YOLOv2, juga dikenal sebagai YOLO9000, mengatasi beberapa kelemahan YOLOv1. YOLOv2 memperkenalkan teknik anchor boxes untuk meningkatkan deteksi objek berukuran kecil atau berdekatan. Selain itu, YOLOv2 mengimplementasikan “Darknet-19” sebagai arsitektur jaringan, menghasilkan performa yang lebih baik dan akurasi deteksi yang lebih tinggi.
3. YOLOv3 (You Only Look Once Version 3): YOLOv3 adalah pengembangan lanjutan dari YOLOv2. Salah satu perubahan besar dalam YOLOv3 adalah penggunaan multi-scale detection dengan tiga skala berbeda dalam satu prediksi. Ini memungkinkan YOLOv3 untuk mendeteksi objek dalam berbagai ukuran dengan lebih baik. YOLOv3 juga memperkenalkan struktur penghubung antara lapisan-lapisan dalam jaringan, yang disebut “skip connections,” yang membantu dalam pemahaman citra yang lebih baik.
4. YOLOv4 (You Only Look Once Version 4): YOLOv4 adalah pengembangan dari algoritma YOLO yang menggabungkan berbagai teknik untuk meningkatkan performa dan akurasi deteksi. YOLOv4 memperkenalkan lapisan CSPDarknet53 yang lebih kompleks, serta berbagai optimisasi seperti penggunaan PANet (Path Aggregation Network) dan metode SAM (Spatial Attention Module) untuk meningkatkan deteksi objek yang sulit seperti objek kecil atau tumpang tindih. YOLOv4 juga mengeksplorasi teknik augmentasi data dan penggunaan teknologi terbaru seperti pengolahan terinteger (integer quantization) untuk efisiensi komputasi.
5. Tiny YOLO: Versi Tiny YOLO merupakan varian yang lebih ringkas dan ringan dari YOLO untuk penggunaan pada perangkat dengan sumber daya terbatas. Meskipun dengan sedikit pengorbanan dalam akurasi, Tiny YOLO tetap memberikan deteksi objek real-time dengan kinerja yang baik pada perangkat dengan daya komputasi yang terbatas.

Keseluruhan, berbagai jenis YOLO ini menunjukkan upaya dalam mengatasi tantangan dalam deteksi objek pada citra, termasuk deteksi objek berukuran kecil, objek tumpang tindih, dan kecepatan proses yang diperlukan untuk aplikasi real-time. Setiap versi memiliki ciri khas dan peningkatan yang spesifik, yang memungkinkan pengguna untuk memilih sesuai dengan kebutuhan aplikasi dan sumber daya yang tersedia.

Contoh penerapan algoritma You Only Look Once (YOLO) menggunakan MATLAB dapat dilihat pada video berikut ini: