Perbandingan Metode ResNet, YoloV3, dan TinyYoloV3  pada Deteksi Citra dengan Pemrograman Python

Riyadi, Agung; Wardhani, Ire Puspa; Wulandari, Maria Sri; Widayati, Susi

doi:10.33322/petir.v15i1.1302

Cited by 3 publications

(2 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Sedangkan nilai Recall maksimum pada angka 0,6. Penelitian lain dari (Riyadi et al, 2022) yang melakukan perbandingan antara ResNet, YoloV3, dan TinyYoloV3 pada deteksi citra. Hasil dari penelitian ini menunjukkan bahwa hasil pendeteksian objek dengan menggunakan model Yolov3, menghasilkan keakuratan yang lebih tinggi dibandingkan dengan model ResNet dan model Tiny Yolo.…”

Section: Pendahuluanunclassified

Analisis Kinerja Algoritma YOLO dalam Penghitungan Benih Udang

Siska Armalivia,

Muhammad Abdillah Rahmat,

Thiara Tri Funny Manguma

et al. 2024

jisti

View full text Add to dashboard Cite

Dua proses utama dalam budidaya udang adalah pembenihan dan pembesaran. Penghitungan benih udang adalah bagian dari kegiatan pembenihan. Namun, penghitungan udang setelah larva masih dilakukan secara manual, yang berarti mengambil udang dan menghitungnya secara manual, yang memakan waktu dan seringkali menghasilkan kesalahan manusia. Penelitian ini mengusulkan metode You Only Look Once (YOLO) untuk melalukan penghitungan jumlah larva udang secara otomatis. Metode YOLO merupakan model deep learning yang dapat mendeteksi sebuah objek dengan kecepatan dan akurasi yang tinggi, bahkan dalam kondisi penerangan yang kurang ideal. Dalam penelitian ini, pengambilan gambar objek menggunakan kamera yang ditempatkan di atas wadah putih berisi air 2 cm dan larva udang difoto dengan sistem backlight untuk menghindari pantulan cahaya dari dalam air. Pengujian dilakukan dengan membandingkan hasil perhitungan sistem dan penghitungan manual. Hasil penelitian menunjukkan bahwa sistem tidak hanya mendeteksi larva tapi juga menghitung jumlah larva udang serta menghasikan nilai validasi mAP pada model akhir yang dibangun dengan YOLO yaitu 96.83% serta menghasilkan rata-rata akurasi dengan 30 data latih sebesar 76.48%.

show abstract

Section: Pendahuluanunclassified

Analisis Kinerja Algoritma YOLO dalam Penghitungan Benih Udang

Siska Armalivia,

Muhammad Abdillah Rahmat,

Thiara Tri Funny Manguma

et al. 2024

jisti

View full text Add to dashboard Cite

show abstract

“…Namun, kemajuan teknologi saat ini telah sangat maju sehingga beberapa teknologi didalamnya dapat dimanfaatkan untuk membantu orang dengan kebutaan atau tunanetra. Salah satu implementasi teknologi yang dapat digunakan adalah pendeteksian objek melalui kamera ponsel, dengan sistem pendeteksian objek diharapkan dapat menemukan objek di dunia nyata dengan memanfaatkan model objek yang telah diketahui sebelumnya [4].…”

Section: Pendahuluanunclassified

PENDETEKSIAN OBJEK MENGGUNAKAN OPENCV DAN METODE YOLOv4-TINY UNTUK MEMBANTU TUNANETRA

Randy Moh Yusup,

Aldof Faris Anugrah,

Muslimah

et al. 2024

JCSIT

View full text Add to dashboard Cite

Deteksi objek adalah tugas mendasar dalam computer vision dan memiliki banyak aplikasi di berbagai bidang seperti autonomous vehicles, sistem pengawasan, dan robotika. Jurnal ini menyajikan studi komprehensif tentang deteksi objek menggunakan kombinasi dari OpenCV dan YOLOv4-Tiny, yang merupakan sebuah algoritma pembelajaran mendalam yang canggih. OpenCV adalah perpustakaan computer vision sumber terbuka secara luas yang dikenal dengan koleksi fungsi dan algoritma yang luas. Di sisi lain , YOLOv4 Tiny adalah varian ringkas dari algoritma deteksi objek YOLO (You Only Look Once), yang dirancang untuk mencapai performa waktu nyata tanpa mengurangi akurasi. Dalam studi ini, kami memanfaatkan kemampuan OpenCV dan YOLOv4-Tiny untuk mengembangkan sistem deteksi objek yang kuat. Pertama, kami memberikan tinjauan mendetail tentang arsitektur YOLOv4-Tiny, barpusat pada komponen utamanya, termasuk backbone network, feature pyramid, dan detection layers. Kesimpulannya, jurnal ini memberikan eksplorasi komprehensif tentang deteksi objek menggunakan OpenCV dan YOLOv4 Tiny. Studi tersebut menyoroti keuntungan dari kombinasi ini dalam hal kecepatan dan akurasi dan menghadirkan implementasi praktis dari sistem tersebut. Hasilnya menampilkan potensi sistem untuk aplikasi deteksi objek real-time, berkontribusi pada kemajuan visi komputer dan berbagai domainnya. Selain itu, kami mengevaluasi kinerja sistem kami pada kumpulan data tolok ukur standar, seperti COCO (Common Objects in Context), untuk menilai akurasi pendeteksian dan efisiensi komputasinya.

show abstract

Comparison of YOLOv8 and EfficientDet4 Algorithms in Detecting the Ripeness of Oil Palm Fruit Bunch

Priyadi,

Suharjito

2023

2023 10th International Conference on ICT for Smart Society (ICISS)

View full text Add to dashboard Cite

Perbandingan Metode ResNet, YoloV3, dan TinyYoloV3 pada Deteksi Citra dengan Pemrograman Python

Cited by 3 publications

References 7 publications

Analisis Kinerja Algoritma YOLO dalam Penghitungan Benih Udang

Analisis Kinerja Algoritma YOLO dalam Penghitungan Benih Udang

PENDETEKSIAN OBJEK MENGGUNAKAN OPENCV DAN METODE YOLOv4-TINY UNTUK MEMBANTU TUNANETRA

Comparison of YOLOv8 and EfficientDet4 Algorithms in Detecting the Ripeness of Oil Palm Fruit Bunch

Contact Info

Product

Resources

About