Description

Proyek Deteksi Kendaraan Menggunakan YOLOv11 bertujuan untuk menciptakan solusi deteksi objek yang akurat dan efisien untuk kendaraan bermotor, seperti mobil dan motor. Model yang digunakan adalah YOLOv11, sebuah algoritma canggih yang menawarkan berbagai keunggulan dibandingkan versi sebelumnya, termasuk efisiensi komputasi dan akurasi deteksi yang lebih baik. Dengan kemampuan deteksi yang presisi, model YOLOv11 mampu mengidentifikasi kendaraan dalam berbagai situasi, termasuk kondisi lalu lintas yang padat, sudut pandang yang kompleks, dan pencahayaan yang tidak ideal. Kombinasi antara efisiensi, fleksibilitas, dan akurasi ini menjadikan YOLOv11 sebagai algoritma unggulan untuk menciptakan sistem deteksi kendaraan yang berdaya guna tinggi.

Sumber Dataset

Gambar 1. Dataset gambar mobil dan motor

Dataset yang digunakan berasal dari rekaman video di area parkir Kampus UPI Cibiru. Rekaman ini dilakukan menggunakan kamera dengan resolusi tinggi (1080p) untuk memastikan kualitas data yang optimal. Video ini menangkap berbagai jenis kendaraan, khususnya mobil dan motor, yang diparkir di lokasi tersebut. Proses ekstraksi dataset meliputi:

• Rekaman Video, video direkam menggunakan perangkat perekam yang mendukung resolusi tinggi untuk menghasilkan gambar yang jelas dan detail.
• Pemotongan Video, rekaman video dipotong menjadi beberapa segmen pendek untuk mempermudah pengelolaan data.
• Ekstraksi Frame, frame diambil dari video menggunakan software seperti OpenCV. Interval pengambilan frame diatur yaitu setiap 1 detik, untuk menghasilkan dataset gambar yang mencerminkan kondisi nyata.
  Jumlah Data
• Total Gambar, Ada 1657 gambar (Pelatihan: 70% (1160 gambar), Validasi: 20% (331 gambar), Pengujian: 10% (166 gambar)).
• Anotasi Data, setiap frame dianotasi secara manual atau semi-otomatis untuk menandai lokasi objek kendaraan yaitu mobil dan motor.

Keunggulan YOLOv11
YOLOv11 memiliki beberapa fitur unggulan yang membuatnya sangat cocok untuk tugas deteksi kendaraan:

• Jumlah Parameter Lebih Sedikit, YOLOv11 dirancang untuk menggunakan 22% lebih sedikit parameter dibandingkan YOLOv8. Ini membuatnya lebih ringan dan hemat sumber daya komputasi tanpa mengurangi akurasi deteksi.
• Waktu Inferensi Cepat, Algoritma ini mampu memproses gambar dengan kecepatan tinggi, sehingga cocok untuk aplikasi real-time, seperti pemantauan lalu lintas dan kendaraan otonom.
• Peningkatan mAP (mean Average Precision), YOLOv11 mampu mencapai nilai mAP yang lebih tinggi dibandingkan pendahulunya pada berbagai dataset, seperti COCO dan PASCAL VOC dan Algoritma ini juga menunjukkan kinerja yang baik pada berbagai dataset tanpa overfitting, membuatnya andal untuk aplikasi di dunia nyata.

Proses Implementasi model
Model deteksi kendaraan yang telah dilatih diterapkan untuk mengidentifikasi jenis kendaraan, seperti mobil atau motor, berdasarkan input berupa gambar atau video. Proses implementasi ini dilakukan mengintegrasikan model melalui API Roboflow. Hasil dari model ini menunjukkan kemampuan deteksi yang akurat, dengan contoh output yang berhasil membedakan mobil dan motor secara presisi. Untuk langkah-langkahnya adalah sebagai berikut:

• Augmentasi Data, Roboflow digunakan untuk memperluas dan memperkaya dataset dengan melakukan augmentasi data otomatis, seperti rotasi gambar, perubahan pencahayaan, flipping horizontal/vertikal, dan cropping. Hal ini bertujuan untuk meningkatkan generalisasi model terhadap berbagai kondisi nyata.
• Resizing Gambar, Semua gambar dalam dataset diubah ukurannya ke resolusi yang konsisten (misalnya, 640x640 piksel) agar sesuai dengan kebutuhan model YOLOv11.
• Manajemen Dataset, Dataset diunggah ke Roboflow, di mana data dapat diatur dalam kategori pelatihan, validasi, dan pengujian. Dataset juga dapat diunduh dalam format yang kompatibel dengan framework Ultralytics.
• Lingkungan pengembangan, menggunakan platform Google Colab yang mendukung GPU sebagai akselerator hardware Lalu GPU diaktifkan melalui menu Runtime > Change runtime type, kemudian memilih GPU sebagai hardware accelerator. Dan Dataset diunggah dan dikelola melalui API Roboflow. Integrasi API dilakukan langsung di Google Colab dengan skrip Python.

Pelatihan Model

• Framework Ultralytics, pelatihan dilakukan menggunakan framework Ultralytics, yang mendukung model YOLO dengan berbagai konfigurasi. Framework Ultralytics diinstal di Google Colab menggunakan perintah !pip install ultralytics. Skrip pelatihan YOLOv11 dikonfigurasikan di Colab, yang memanfaatkan GPU untuk mempercepat komputasi.
• Hyperparameter yang Disesuaikan, Beberapa hyperparameter utama yang dioptimalkan:
  - Learning Rate, Kecepatan pembelajaran disesuaikan untuk mengontrol seberapa cepat atau lambat model memperbarui bobot selama pelatihan. Nilai learning rate diuji dengan nilai awal yaitu 0.01 dan disesuaikan sesuai hasil.
  - Batch Size, Jumlah sampel yang diproses sekaligus dalam satu iterasi pelatihan. Nilai batch size disesuaikan dengan kapasitas GPU yaitu sebesar 16.
  - Epochs, Jumlah siklus pelatihan penuh terhadap seluruh dataset dimana pelatihan dilakukan selama 100 epochs, tergantung pada tingkat konvergensi model dan metrik performa yang dicapai.
  - Proses Pelatihan, Data dibagi menjadi tiga bagian yaitu data pelatihan (70%), validasi (20%), dan pengujian (10%). Lalu pelatihan dilakukan secara iteratif, di mana model secara bertahap memperbaiki kemampuannya dengan meminimalkan nilai loss. Optimizer seperti SGD atau Adam digunakan untuk mempercepat konvergensi. Selama pelatihan, grafik loss dan mean Average Precision (mAP) dipantau secara real-time untuk memastikan pelatihan berjalan dengan baik.

Hasil Proyek

Gambar 2. Hasil Training

Model YOLOv11 yang telah dilatih mampu mendeteksi kendaraan dengan tingkat akurasi yang tinggi, yaitu secara keseluruhan sebesar 86%. Hasil ini menunjukkan bahwa model dapat diterapkan dalam berbagai skenario nyata, seperti:

• Sistem Pengawasan Lalu Lintas, Mengidentifikasi kendaraan yang melanggar aturan lalu lintas.
• Sistem Parkir Otomatis, Membantu pengguna menemukan tempat parkir yang tersedia.
• Kendaraan Otonom, Mendukung pengembangan teknologi kendaraan tanpa pengemudi.

Visualisasi dan Dokumentasi
Proyek ini juga mencakup dokumentasi visual yang menunjukkan hasil kerja model, seperti:

Gambar 3. Hasil deteksi kendaraan dengan label "mobil" dan “motor”

Gambar 4. Visualisasi Confusion Matrix

Gambar 5. Visualisasi metrik pelatihan mAP dan loss

Kesimpulan
Proyek ini berhasil menunjukkan bahwa YOLOv11 merupakan solusi yang efektif untuk deteksi kendaraan. Dengan dataset yang relevan dan proses pelatihan yang terencana, model dapat diaplikasikan dalam berbagai situasi untuk meningkatkan efisiensi dan keamanan sistem transportasi modern.