Algoritma YOLO: Algoritma Populer untuk Deteksi Objek
Bagaimana cara komputer dapat mengenali (mendeteksi) objek layaknya manusia? Apakah sama dengan mata manusia dapat berguna untuk mengenali objek. Mari kita buktikan dengan mengenal Algoritma YOLO.
Table of Contents
Ketika mendengar kata deteksi objek khususnya dalam konteks komputer maka terbesit bahwa bagaimana mendeteksi objek dalam gambar atau video digital. Intinya bagaimana komputer dapat mengenai atau mendeteksi berbagai objek seperti orang, mobil, kursi, batu, dan lain sebagainya. Intinya dalam deteksi objek berusaha menjawab dua pertanyaan mendasar, yakni apa objeknya? (berusaha mengidentifikasi sebuah objek) dan dimana itu? (berusaha menetapkan lokasi dari objek tersebut).
Konsep deteksi objek ini memegang peranan penting karena dapat dimanfaatkan dalam berbagai hal, misalnya mendeteksi pelanggar lalu lintas, melatih mobil otonom (mobil tanpa orang yang mengemudikannya) dan masih banyak lagi. Sehingga penting untuk menemukan cara menghasilkan sistem yang dapat mendeteksi objek dengan baik. Yuk pahami salah satu algoritma (cara menghasilkan sistem deteksi) YOLO!
Apa itu Algoritma YOLO?
YOLO merupakan algoritma yang menerapkan konsep jaringan saraf untuk mempelajari pola sehingga dapat mendeteksi objek dalam waktu real-time. Algoritma You Only Look Once (YOLO) ini mulai diperkenalkan pada tahun 2015 dalam makalah penelitian terkenal mereka “You Only Look Once: Unified, Real-Time Object Detection”. Melalui Makalah ini, penulis membingkai masalah deteksi objek sebagai masalah deteksi regresi (menemukan nilai numerik bukan kategorikal) alih-alih tugas klasifikasi dengan memisahkan kotak pembatas secara spasial dan menghubungkan probabilitas ke masing-masing gambar yang terdeteksi menggunakan Convolutional Neural Network (CNN) tunggal, algoritma yang sering digunakan untuk kasus data citra gambar. Algoritma ini populer karena kecepatan dan akurasinya sehingga digunakan untuk mendeteksi sinyal lalu lintas, orang, meteran parkir, dan hewan.
Apa yang Membuat YOLO Populer dalam Mendeteksi Objek?
1. Akurasi Deteksi
YOLO jauh melampaui model canggih lainnya dalam akurasi dengan sangat sedikit kesalahan latar belakang.
2. Kecepatan
YOLO sangat cepat karena tidak berurusan dengan jalur pipa yang rumit dan dapat memprediksi objek secara real-time.
3. Generalisasi
YOLO versi terbaru akan mendorong sedikit lebih jauh generalisasi yang lebih baik untuk domain baru sehingga menjadikannya bagus untuk aplikasi yang mengandalkan deteksi objek yang cepat dan kuat.
4. Open-Source
Algoritma YOLO terbuka untuk umum sehingga memudahkan pembelajar dan pengguna mencoba model tersebut. Hal ini akan menghasilkan komunitas yang dapat senantiasa berkolaborasi untuk melakukan pengembangan algoritma ini menjadi lebih baik.
Bagaimana cara Algoritma YOLO mendeteksi Objek?
Pertama, gambar dibagi menjadi sel grid (dibagi menjadi beberapa kotak, contoh di atas 5 X 5). Setiap sel kisi (setiap bagian kotak kecil) memperkirakan kotak pembatas dan memberikan skor kepercayaannya. Sel ini memprediksi probabilitas kelas untuk menetapkan kelas dari setiap objek. Pada contoh alur di atas, kita dapat melihat setidaknya terdapat tiga kelas objek: mobil, anjing dan sepeda. Semua prediksi ini dibuat secara bersamaan menggunakan Convolutional Neural Network (CNN) tunggal.
Sebagai contoh, kita dapat memperhatikan setidaknya tiga kelas objek: mobil, anjing, dan sepeda. Semua prediksi dibuat secara bersamaan menggunakan Convolutional Neural Network (CNN) tunggal. Kotak-kotak yang tumpang-tindih di atas akan dipastikan bahwa kotak pembatas tersebut merupakan bagian dari suatu objek. Fenomena ini menghilangkan kotak pembatas yang tidak perlu dan tidak memenuhi karakteristik objek (seperti tinggi dan lebar). Deteksi akhir akan terdiri dari kotak pembatas unik yang sesuai dengan objeknya. Misalnya, mobil dikelilingi oleh kotak pembatas berwarna merah muda sedangkan sepeda dikelilingi oleh kotak pembatas berwarna kuning serta gambar anjing telah disorot menggunakan kotak pembatas berwarna biru.
Pengaplikasian Algoritma YOLO di Kehidupan Sehari-Hari
1. Kesehatan
Pada bidang kesehatan YOLO dapat berperan dalam pembedahan. Algoritma ini dapat membantu melokalisasi (memahami bagian atau tempat) organ secara real-time, yang mana ini sering menjadi tantangan tersendiri karena keragaman biologis dari satu pasien ke pasien lainnya. Berikut gambaran pengenalan Ginjal pada CT menggunakan YOLOv3 (YOLO versi 3) untuk memfasilitasi pelokalan ginjal dalam 2D dan 3D dari pemindaian Computerized Tomography (CT).
2. Pertanian
Kecerdasan buatan yang diintegrasikan dengan robotika dapat memainkan peran utama dalam pertanian modern, misalnya memanfaatkan robot pemanen buah dan sayuran yang berbasis pendeteksi objek sehingga tidak perlu melakukan pemanenan secara manual. Robot ini diintegrasikan dengan model terbaik yang menggunakan YOLO. Dalam Deteksi Tomat berdasarkan kerangka YOLOv3 yang dimodifikasi, penulis menjelaskan bagaimana mereka menggunakan YOLO untuk mengidentifikasi jenis buah dan sayuran untuk panen yang efisien.
3. Margasatwa
Algoritma ini digunakan untuk mendeteksi berbagai jenis hewan di hutan. Jenis deteksi ini digunakan oleh penjaga satwa liar dan jurnalis untuk mengidentifikasi hewan dalam video (baik rekaman maupun real-time) dan gambar. Beberapa hewan yang dapat dideteksi antara lain jerapah, gajah, beruang dan lain sebagainya.
4. Keamanan
YOLO juga dapat digunakan dalam sistem keamanan untuk menegakkan keamanan di suatu area. Misalnya terdapat sebuah lokasi yang dilarang untuk melewatinya untuk memastikan keamanan daerah tersebut. Melalui YOLO kita dapat mendeteksi seseorang yang berusaha memasuki daerah tersebut sehingga dapat dipersiapkan personel keamanan untuk mengambil tindakan lebih lanjut.
5. Mobil Tanpa Pengemudi (Otonom)
Kita dapat mengatakan DNA (hal penting) dari sistem kendaraan otonom adalah deteksi objek secara real-time. Kendaraan otonom memerlukan kemampuan mengidentifikasi jalur yang benar dan semua objek serta pejalan kaki di sekitarnya untuk meningkatkan keselamatan pengguna. Aspek real-time YOLO menjadikannya kandidat yang lebih baik dibandingkan dengan pendekatan segmentasi gambar sederhana. Ketika mobil otonom sedang berjalan maka ini menghasilkan data langsung (real-time) maka diperlukan pemrosesan lebih lanjut melalui YOLO.
Kesimpulan
Kita telah membahas banyak hal terkait YOLO, sebuah algoritma yang menerapkan konsep jaringan saraf untuk mempelajari pola sehingga dapat mendeteksi objek dalam waktu real-time. Algoritma YOLO begitu populer karena akurasi deteksinya, kecepatan dan generalisasi hingga open-source. Algoritma YOLO sendiri bekerja dengan membangun sel grid kemudian memperkirakan kotak pembatas dan memberikan skor kepercayaan hingga akhirnya berhasil mendeteksi berbagai objek.
Terakhir kita juga membahas pengaplikasian YOLO dalam kehidupan sehari-hari, yakni pada bidang kesehatan, pertaniaan, Margasatwa, Keamanan hingga Mobil Tanpa Pengemudi (Otonom). Ketersediaan data dan algoritma yang hebat seperti YOLO akan memberikan benefit bagi kehidupan sehari-hari kita. Tentunya data dan algoritma lainnya dapat pula memberikan berbagai benefit lainnya seperti insight dalam membantu pengambilan keputusan.
Jika Anda tertarik mempelajari berbagai algoritma pengolahan data dan pemanfaatannya lebih lanjut hingga berkarir di dunia data menjadi seorang Data Scientist handal, Anda dapat mengikuti Bootcamp Algoritma Data Science yang memiliki serangkaian program yang dapat membantu Anda menguasai dunia data di industri yang Anda minati. Yuk, bergabung bersama Algoritma sekarang!