Deteksi Kendaraan dengan YOLO11
Model deteksi objek YOLO11n yang dilatih ulang untuk mengenali bus, mobil, dan truk pada foto lalu lintas.
- Status
- Prototipe
- Lapisan
- AI
- Dipakai oleh
- Proyek latihan computer vision untuk melihat bagaimana AI belajar mengenali kendaraan di foto; belum dipakai di lapangan.
Masalahnya
Mengenali atau menghitung kendaraan dari foto dan rekaman secara manual lambat dan melelahkan.
Solusinya
Model YOLO11n dilatih 50 epoch pada dataset berlabel tiga kelas, lalu divalidasi dan dipakai untuk memprediksi gambar baru dengan ambang keyakinan 0,5.
Cara kerjanya
Apa yang terjadi, langkah demi langkah, dari sudut pandang pengguna.
- 01
Foto lalu lintas dikumpulkan
Kumpulan foto berisi bus, mobil, dan truk disiapkan, lalu dibagi menjadi foto latihan dan foto uji.
- 02
Setiap kendaraan diberi label
Di tiap foto, kendaraan ditandai dengan kotak dan jenisnya. Label inilah yang dipelajari model.
- 03
Model siap pakai dilatih ulang
YOLO11n yang sudah mengenal benda umum dilatih ulang selama 50 epoch dengan foto tadi, cukup di CPU.
- 04
Diuji pada foto baru
Model diuji pada foto yang tidak dipakai saat latihan. Skor mAP50 keseluruhan 0,603 pada 20 foto uji.
- 05
Kelemahan per kelas terlihat
Matriks kebingungan menunjukkan kelas bus masih lemah karena contohnya sedikit. Ini menunjukkan data apa yang perlu ditambah.
- 06
Model menandai kendaraan di foto
Foto baru dimasukkan, lalu model menggambar kotak dan nama kendaraan yang dikenalinya dengan keyakinan minimal 0,5.
Desain sistemnya
Siapa yang memakai, apa yang mereka lihat, apa yang bekerja di belakang layar, dan di mana data disimpan. Baca dari kiri ke kanan.
1Bahan
- Foto berlabelFoto lalu lintas dengan kotak penanda bus, mobil, dan truk
2Pelatihan
- Notebook JupyterTempat semua langkah latihan, uji, dan prediksi dijalankan
- Ultralytics YOLO11nModel deteksi objek yang dilatih ulang untuk tiga jenis kendaraan
3Pengujian
- ValidasiMengukur ketepatan model pada foto yang belum pernah dilihat
- Grafik dan matriksKurva presisi, recall, dan matriks kebingungan per kelas
4Hasil
- Foto bertandaGambar dengan kotak dan nama kendaraan yang terdeteksi
- Bobot model terbaikFile model yang bisa dipakai lagi untuk foto baru
Fitur utama
- Deteksi bus, mobil, dan truk
- Fine-tuning dari model pralatih
- Kurva presisi dan recall
- Matriks kebingungan per kelas
- Pelatihan di CPU
Dibangun dengan
- Python
- Ultralytics YOLO11
- PyTorch
- OpenCV
- Matplotlib
- Jupyter
Angka yang bisa dibuktikan
- 0.603
- mAP50 validasi (20 gambar)
Yang didapat bisnis
- Membuktikan model siap pakai bisa diajari mengenali jenis kendaraan tertentu dengan data sendiri.
- Kelemahan model terlihat per kelas, jadi jelas data apa yang perlu ditambah.
- Pelatihan bisa berjalan di komputer biasa tanpa kartu grafis khusus.
- Bisa dikembangkan untuk menghitung kendaraan di parkiran atau memeriksa barang dari foto dan CCTV.
Istilah di halaman ini
- Object detection
- Kemampuan AI menemukan benda di gambar, menandainya dengan kotak, dan menyebut jenisnya.
- Epoch
- Satu putaran ketika model melihat seluruh foto latihan sekali.
- mAP50
- Skor 0 sampai 1 tentang seberapa tepat model menemukan dan menandai benda; makin tinggi makin baik.
- Confusion matrix
- Tabel yang menunjukkan seberapa sering model tertukar antarjenis, misalnya mengira truk sebagai bus.
Bisa dipakai untuk bisnis Anda?
Bisa dikembangkan untuk menghitung kendaraan di area parkir, mendeteksi produk di rak, atau memeriksa barang di gudang dari foto atau CCTV.
Konsultasikan proyek ini