Kursus/Jasa Machine Learning | Optimasi Kinerja Model Deep Learning dalam Deteksi Objek Otomatis Menggunakan YOLOv5 dan Transfer Learning

Berikut adalah silabus 20 sesi @1,5 jam untuk topik:

Optimasi Kinerja Model Deep Learning dalam Deteksi Objek Otomatis Menggunakan YOLOv5 dan Transfer Learning

---

Fase 1: Dasar-Dasar Deteksi Objek dan Deep Learning (Sesi 1–5)

Sesi 1: Pengantar Deteksi Objek dan Deep Learning

• Apa itu deteksi objek?

• Perbedaan image classification, object detection, dan segmentation

• Konsep dasar CNN (Convolutional Neural Network)

• Studi kasus YOLO dan arsitekturnya

Sesi 2: Mengenal YOLO (You Only Look Once)

• Evolusi YOLO (v1 – v8)

• Fokus pada YOLOv5: arsitektur dan keunggulan

• Input-output format YOLOv5

• Tools yang digunakan: Python, PyTorch, Google Colab

Sesi 3: Instalasi Lingkungan dan Tools

• Instalasi Python, PyTorch, dan YOLOv5

• Struktur folder dan dataset YOLO

• Praktik setup Google Colab dan CUDA untuk training

Sesi 4: Dataset dan Format Anotasi

• Dataset deteksi objek populer: COCO, Pascal VOC, custom dataset

• Format anotasi: YOLO format, .txt file, labelImg

• Hands-on: Anotasi gambar dengan LabelImg

Sesi 5: Pra-pemrosesan dan Augmentasi Data

• Resize, normalize, augmentasi (flip, crop, blur, dll)

• Menggunakan Albumentations dan augmentasi built-in YOLOv5

• Evaluasi pengaruh augmentasi terhadap training

---

⚙️ Fase 2: Implementasi YOLOv5 dan Transfer Learning (Sesi 6–10)

Sesi 6: Training Model YOLOv5 dari Awal (Baseline)

• Menyiapkan data.yaml, konfigurasi train.py

• Memulai training model YOLOv5

• Memahami metrik: mAP, precision, recall, F1-score

Sesi 7: Evaluasi dan Visualisasi Hasil Deteksi

• Visualisasi bounding box

• Analisis hasil prediksi (TP, FP, FN)

• Menggunakan TensorBoard untuk monitoring

Sesi 8: Transfer Learning pada YOLOv5

• Konsep transfer learning dan pre-trained model

• Fine-tuning dengan dataset kecil

• Menggunakan pretrained weights (YOLOv5s, YOLOv5m, dll)

Sesi 9: Hyperparameter Tuning

• Mengatur batch size, learning rate, epoch

• Menggunakan hyp.yaml untuk tuning otomatis

• Eksperimen: membandingkan hasil tuning

Sesi 10: Cross-validation dan Overfitting

• Teknik validasi: K-Fold, holdout

• Mengatasi overfitting dengan regulasi dan augmentasi

• Early stopping, dropout (secara teori)

---

Fase 3: Optimasi dan Inference (Sesi 11–15)

Sesi 11: Model Compression dan Quantization

• Pengantar model kompresi

• Quantization-aware training (QAT)

• Konversi ke TorchScript atau ONNX

Sesi 12: Deployment untuk Inference

• Inference dengan video, webcam, dan image stream

• Menggunakan OpenCV untuk real-time inference

• Contoh aplikasi deteksi objek langsung

Sesi 13: Penerapan Transfer Learning Multi-Class

• Multi-class object detection

• Strategi memperluas jumlah kelas

• Evaluasi performa multi-class dengan mAP

Sesi 14: Penggunaan GPU vs CPU dalam Inferensi

• Perbandingan kecepatan dan akurasi

• Profiling penggunaan memori

• Konfigurasi hardware untuk YOLOv5

Sesi 15: Optimasi dengan TTA (Test Time Augmentation)

• Pengertian TTA dan fungsinya

• Implementasi TTA di YOLOv5

• Analisis pengaruh TTA terhadap hasil deteksi

---

Fase 4: Eksperimen, Studi Kasus, dan Dokumentasi (Sesi 16–20)

Sesi 16: Studi Kasus 1 – Deteksi Kendaraan di Jalan Raya

• Dataset kendaraan

• Fine-tuning YOLOv5 untuk deteksi mobil, motor, truk

• Evaluasi hasil dan mAP

Sesi 17: Studi Kasus 2 – Deteksi Buah untuk Otomatisasi Pertanian

• Dataset buah (tomat, jeruk, cabai)

• Preprocessing dan anotasi khusus

• Eksperimen dengan model ringan (YOLOv5n)

Sesi 18: Integrasi dengan Aplikasi Web atau Mobile

• Dasar Flask/Streamlit untuk demo model

• Export hasil ke JSON atau REST API

• Visualisasi prediksi via UI

Sesi 19: Dokumentasi, Analisis, dan Presentasi Hasil

• Menyusun laporan eksperimen

• Visualisasi hasil mAP dan loss selama training

• Tips menyusun dokumentasi teknis dan non-teknis

Sesi 20: Ujian Mini Proyek

• Mahasiswa membuat proyek mini deteksi objek berbasis YOLOv5

• Presentasi hasil (dataset, proses, tuning, hasil)

• Penilaian dari akurasi, inovasi, dan dokumentasi