YOLO adalah algoritme yang menggunakan jaringan saraf untuk menyediakan deteksi objek waktu nyata. Algoritma ini populer karena kecepatan dan akurasinya. Ini telah digunakan dalam berbagai aplikasi untuk mendeteksi sinyal lalu lintas, orang, meteran parkir, dan hewan. deteksi objek Deteksi objek adalah fenomena di computer vision yang melibatkan deteksi berbagai objek dalam gambar atau video digital. Beberapa objek yang terdeteksi antara lain orang, mobil, kursi, batu, bangunan, dan hewan. Fenomena ini berusaha menjawab dua pertanyaan mendasar:
Deteksi objek terdiri dari berbagai pendekatan sepertiR-CNN cepat,Retina-Net, DanDetektor MultiBox Single-Shot (SSD). Meskipun pendekatan ini telah memecahkan tantangan keterbatasan data dan pemodelan dalam deteksi objek, mereka tidak dapat mendeteksi objek dalam menjalankan algoritma tunggal. Algoritma YOLO telah mendapatkan popularitas karena kinerjanya yang unggul dibandingkan teknik deteksi objek yang disebutkan di atas. Apa itu YOLO?YOLO adalah singkatan dari istilah 'You Only Look Once'. Ini adalah algoritma yang mendeteksi dan mengenali berbagai objek dalam gambar (secara real-time). Deteksi objek di YOLO dilakukan sebagai masalah regresi dan memberikan probabilitas kelas dari gambar yang terdeteksi. Algoritma YOLO menggunakan convolutional neural network (CNN) untuk mendeteksi objek secara real-time. Seperti namanya, algoritma ini hanya membutuhkan satu propagasi maju melalui jaringan saraf untuk mendeteksi objek. Ini berarti bahwa prediksi di seluruh gambar dilakukan dalam satu kali algoritma. CNN digunakan untuk memprediksi berbagai probabilitas kelas dan kotak pembatas secara bersamaan. Algoritma YOLO terdiri dari berbagai varian. Beberapa yang umum termasuk YOLO kecil dan YOLOv3. Mengapa algoritma YOLO itu pentingAlgoritma YOLO penting karena alasan berikut:
Bagaimana algoritma YOLO bekerjaAlgoritma YOLO bekerja menggunakan tiga teknik berikut:
Blok sisaPertama, gambar dibagi menjadi beberapa grid. Setiap grid memiliki dimensi S x S. Gambar berikut menunjukkan bagaimana gambar masukan dibagi menjadi grid. Pada gambar di atas, terdapat banyak sel grid dengan dimensi yang sama. Setiap sel grid akan mendeteksi objek yang muncul di dalamnya. Misalnya, jika pusat objek muncul di dalam sel grid tertentu, maka sel ini akan bertanggung jawab untuk mendeteksinya. Regresi kotak pembatasKotak pembatas adalah garis besar yang menyoroti objek dalam gambar. Setiap kotak pembatas pada gambar terdiri dari atribut berikut:
Gambar berikut menunjukkan contoh kotak pembatas. Kotak pembatas telah diwakili oleh garis kuning. YOLO menggunakan regresi kotak pembatas tunggal untuk memprediksi tinggi, lebar, tengah, dan kelas objek. Pada gambar di atas, mewakili probabilitas suatu objek muncul di kotak pembatas. Intersection over union (IOU)Intersection over union (IOU) adalah fenomena dalam deteksi objek yang menjelaskan bagaimana kotak saling tumpang tindih. YOLO menggunakan IOU untuk menyediakan kotak keluaran yang mengelilingi objek dengan sempurna. Setiap sel kisi bertanggung jawab untuk memprediksi kotak pembatas dan skor kepercayaannya. IOU sama dengan 1 jika kotak pembatas yang diprediksi sama dengan kotak sebenarnya. Mekanisme ini menghilangkan kotak pembatas yang tidak sama dengan kotak sebenarnya. Gambar berikut memberikan contoh sederhana tentang cara kerja IOU. Pada gambar di atas, ada dua kotak pembatas, satu berwarna hijau dan satu lagi berwarna biru. Kotak biru adalah kotak prediksi sedangkan kotak hijau adalah kotak sebenarnya. YOLO memastikan bahwa kedua kotak pembatas itu sama. Kombinasi dari ketiga teknik tersebutGambar berikut menunjukkan bagaimana ketiga teknik diterapkan untuk menghasilkan hasil deteksi akhir. Pertama, gambar dibagi menjadi sel grid. Setiap sel kisi memperkirakan kotak pembatas B dan memberikan skor kepercayaannya. Sel memprediksi probabilitas kelas untuk menetapkan kelas dari setiap objek. Sebagai contoh, kita dapat memperhatikan setidaknya tiga kelas objek: mobil, anjing, dan sepeda. Semua prediksi dibuat secara bersamaan menggunakan jaringan saraf convolutional tunggal. Persimpangan di atas penyatuan memastikan bahwa kotak pembatas yang diprediksi sama dengan kotak sebenarnya dari objek. Fenomena ini menghilangkan kotak pembatas yang tidak perlu yang tidak memenuhi karakteristik objek (seperti tinggi dan lebar). Deteksi akhir akan terdiri dari kotak pembatas unik yang sesuai dengan objek dengan sempurna. Misalnya, mobil dikelilingi oleh kotak pembatas berwarna merah muda sedangkan sepeda dikelilingi oleh kotak pembatas berwarna kuning. Anjing telah disorot menggunakan kotak pembatas berwarna biru. Aplikasi YOLOAlgoritma YOLO dapat diterapkan di bidang-bidang berikut:
https://www.section.io/engineering-education/introduction-to-yolo-algorithm-for-object-detection/ |