Berikut Silabus: Penerapan YOLOv5 untuk Deteksi Objek pada Kendaraan Bermotor di Jalan Raya
Total Sesi: 40
Durasi per Sesi: 1,5 jam
Tahap 1: Pengenalan dan Persiapan (Sesi 1-10)
- Sesi 1:
- Pengantar YOLOv5 dan Deteksi Objek
- Studi kasus pada kendaraan bermotor di jalan raya
- Sesi 2:
- Instalasi dan pengaturan lingkungan kerja YOLOv5
- Penggunaan Python, PyTorch, dan Jupyter Notebook
- Sesi 3:
- Penjelasan arsitektur YOLOv5
- Perbandingan dengan model YOLO sebelumnya
- Sesi 4:
- Pengumpulan dataset kendaraan bermotor
- Sumber data: dataset open-source dan data lapangan
- Sesi 5:
- Anotasi data menggunakan LabelImg atau Roboflow
- Format YOLO (txt file) untuk bounding boxes
- Sesi 6:
- Persiapan dataset: splitting data (training, validation, test)
- Normalisasi dan augmentasi data
- Sesi 7:
- Studi hukum dan etika penggunaan data video jalan raya
- Praktik penanganan data privasi
- Sesi 8:
- Instalasi dependensi YOLOv5 di Google Colab
- Penggunaan GPU untuk akselerasi pelatihan
- Sesi 9:
- Konfigurasi file YAML untuk pelatihan YOLOv5
- Penyesuaian parameter sesuai dataset
- Sesi 10:
- Validasi dataset: mengecek distribusi kelas
- Troubleshooting kesalahan umum dalam data
Tahap 2: Pelatihan Model YOLOv5 (Sesi 11-20)
- Sesi 11:
- Pelatihan awal YOLOv5 dengan dataset kecil
- Penjelasan metrik deteksi objek (mAP, precision, recall)
- Sesi 12:
- Pelatihan lengkap YOLOv5 dengan dataset utama
- Penggunaan callback dan early stopping
- Sesi 13:
- Evaluasi performa model pada data validasi
- Analisis confusion matrix
- Sesi 14:
- Optimasi hyperparameter menggunakan tools seperti Ultralytics
- Penyesuaian learning rate dan batch size
- Sesi 15:
- Eksperimen augmentasi data untuk meningkatkan performa
- Flip, rotate, crop, dan perubahan brightness
- Sesi 16:
- Transfer learning dengan model pretrained YOLOv5
- Keuntungan dan batasan transfer learning
- Sesi 17:
- Fine-tuning model untuk mendeteksi kendaraan tertentu (mobil, motor, truk)
- Sesi 18:
- Mengatasi underfitting dan overfitting pada model YOLOv5
- Sesi 19:
- Ekstraksi fitur penting untuk analisis tambahan
- Visualisasi bounding boxes pada dataset
- Sesi 20:
- Penilaian performa akhir model
- Diskusi hasil dan persiapan tahap implementasi
Tahap 3: Implementasi di Dunia Nyata (Sesi 21-30)
- Sesi 21:
- Menggunakan model YOLOv5 untuk deteksi objek di video real-time
- Integrasi dengan OpenCV
- Sesi 22:
- Implementasi deteksi objek pada rekaman CCTV jalan raya
- Sesi 23:
- Integrasi YOLOv5 dengan kamera live feed
- Pengujian performa pada data streaming
- Sesi 24:
- Penyesuaian threshold confidence dan IoU pada YOLOv5
- Sesi 25:
- Pengelompokan kendaraan berdasarkan jenis dan ukuran
- Statistik lalu lintas menggunakan output model
- Sesi 26:
- Optimalisasi kecepatan inferensi untuk real-time processing
- Penggunaan TensorRT atau ONNX
- Sesi 27:
- Penyimpanan dan pengelolaan hasil deteksi dalam database
- Sesi 28:
- Visualisasi hasil deteksi menggunakan Dash atau Plotly
- Sesi 29:
- Studi kasus: pengenalan plat nomor kendaraan sebagai tambahan
- Sesi 30:
- Pengembangan API menggunakan Flask untuk integrasi YOLOv5
Tahap 4: Penyesuaian Lanjutan dan Publikasi (Sesi 31-40)
- Sesi 31:
- Evaluasi kinerja di perangkat keras berbeda (CPU vs GPU)
- Sesi 32:
- Fine-tuning model untuk data lokal atau cuaca spesifik
- Sesi 33:
- Mengatasi false positive dan false negative secara mendalam
- Sesi 34:
- Mengimplementasikan pelacakan multi-objek (Object Tracking)
- Sesi 35:
- Deployment model di cloud (AWS, Google Cloud, atau Azure)
- Sesi 36:
- Penulisan laporan hasil deteksi untuk stakeholder
- Sesi 37:
- Optimasi YOLOv5 untuk embedded systems (Raspberry Pi atau Jetson Nano)
- Sesi 38:
- Membuat dokumentasi lengkap untuk model dan pipeline
- Sesi 39:
- Persiapan publikasi makalah atau presentasi terkait proyek YOLOv5
- Sesi 40:
- Finalisasi proyek dan diskusi potensi pengembangan lebih lanjut
