Belajar Mudah Object Detection Dengan YOLO - Bag 1.pptx Link Youtube Persentasi: https://youtu.be/u-IQX07m2_E

1. BELAJAR MUDAH
OBJECT DETECTION
DENGAN YOLO
Anggi Andriyadi (Ph.D Students, Tunghai University)

2. OUTLINE
• Pengenalan YOLO
• Bagaimana YOLO Bekerja?
• Kenapa Memilih YOLO?
• Git Clone YOLOv4
• Percobaan Pertama

3. APA ITU YOLO?
• YOLO (You Only Look Once) adalah sebuah algoritma deteksi
objek secara realtime yang memiliki tingkat akurasi yang
sangat tinggi.
• Berdasarkan beberapa penelitian tingkat akurasi YOLO bisa
mencapai diatas 70%.

4. YOLO VS EVERYONE
• YOLO berbeda dari algoritma deteksi objek konvensional
lainnya (Eg. Faster R-CNN) yang masih menggunakan
Convolutional Neural Network (CNN) untuk ekstraksi fitur /
gambar yang ingin di deteksi.
• lalu menggunakan algoritma tambahan lagi untuk memetakan
wilayah deteksi (Eg. Selective Search), yang nantinya akan
dipetakan lagi, sehingga proses menjadi lebih rumit dan lama.

5. THE SUPER-YOLO
• Pada YOLO, anda tidak perlu memetakan wilayah objek,
karena YOLO akan secara mandiri akan memetakan objek
berdasarkan grid lalu memberikan tingkat keyakinan di
setiap grid pada objek yang akan dideteksi.
• Kesederhanaan ini membuat YOLO menjadi algoritma
Superior daripada algoritma lainnya.

6. YOLO VS FASTER R-CNN [1]
Model Iterasi mAP Presisi Recall
YOLOv4 40.000 72.12 71 63
YOLO v3 36.000 65.53 73 54
Faster R-CNN 36.000 51.00 58 49
mAP: menilai seberapa baik model dalam mendeteksi objek pada berbagai tingkat kepercayaan (confidence).
Presisi: Mengukur akurasi model dalam mengidentifikasi objek positif.
Recall: Mengindikasikan kemampuan model untuk menemukan semua objek positif yang sebenarnya.
Referensi: ABDULGHANİ, A. M. A. ghani, & DALVEREN, G. G. M. (2022). Moving Object Detection in Video with
Algorithms YOLO and Faster R-CNN in Different Conditions. European Journal of Science and Technology, 33,
40–54. https://doi.org/10.31590/EJOSAT.1013049

7. BAGAIMANA YOLO BEKERJA?
• YOLO akan membagi gambar menjadi 7x7 grid cell, lalu
disetiap grid akan membentuk bounding box untuk
memetakan objek yang akan dideteksi.
• Setiap bounding box akan memiliki confidence score. Lalu
non-maximum suppression (NMS) akan mengeleminasi
bounding box dengan confidence score rendah, dan
mempertahankan score yang tinggi.

8. ILLUSTRASI YOLO

9. GIT CLONE
• Untuk menggunakan YOLO, mari kita clone YOLOv4 dari
repositori saya untuk belajar, gunakan perintah ini di
powershell (windows) atau terminal (Mac OS / Linux).
git clone https://github.com/PamanGie/darknet

10. PERCOBAAN 1:
DETEKSI MANUSIA
• Untuk mencoba YOLO, anda bisa mendownload kode python
saya dibawah ini dengan perintah curl -0. Atau Mengikuti
praktik di video saya.
curl -O
https://raw.githubusercontent.com/PamanGie/darknet/master/perco
baan1.

11. CREDITS: This presentation template was created by Slidesgo, and
includes icons by Flaticon, and infographics & images by Freepik
THANKS!
Do you have any questions?
anggi.andriyadi@gmail.com
https://www.youtube.com/@anggi09
https://www.facebook.com/anggi.andriyadi/
Please keep this slide for attribution