-
Notifications
You must be signed in to change notification settings - Fork 8
/
Copy pathindex.html
242 lines (236 loc) · 15.2 KB
/
index.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<!-- TailwindCSS CDN -->
<link href="https://unpkg.com/tailwindcss@^2/dist/tailwind.min.css" rel="stylesheet">
<link rel="stylesheet" href="style.css">
<title>Pendeteksian Objek Dataset Rambu Lalu Lintas Indonesia menggunakan Algoritma Deep Learning YOLO (You Only Look Once)</title>
</head>
<body class="bg-gray-900 pb-24">
<div class="container">
<div id="sidebar" class="bg-gray-800 w-full md:w-6/12 fixed h-full p-4 hidden shadow-2xl text-gray-200">
<button id="tombol-tutup-sidebar" class="bg-indigo-800 text-gray-100 py-1 px-3 rounded-lg hover:bg-indigo-900 duration-300" type="button">x Tutup</button>
<p class="text-lg font-bold my-2">Daftar Isi</p>
<ol class="list-decimal list-inside">
<li>
<a href="#tujuan">Tujuan</a>
</li>
<li>
<a href="#abstrak">Abstrak</a>
</li>
<li>
<a href="#rambu-lalu-lintas">Rambu Lalu Lintas</a>
<ul class="list-disc list-inside pl-6">
<li><a href="#bentuk-dataset">Bentuk Dataset</a></li>
<li><a href="#jumlah-rambu">Jumlah Rambu</a></li>
</ul>
</li>
<li>
<a href="#jumlah-total-dataset">Jumlah Total Dataset</a>
</li>
<li>
<a href="#pembagian-dataset">Pembagian Dataset</a>
</li>
<li>
<a href="#tools">Tools</a>
</li>
<li>
<a href="#terminologi">Terminologi</a>
<ul class="list-disc list-inside pl-6">
<li><a href="#object-detection">Object Detection</a></li>
<li><a href="#deep-learning">Deep Learning</a></li>
<li><a href="#convolutional-neural-network">Convolutional Neural Network</a></li>
<li><a href="#you-only-look-once">You Only Look Once</a></li>
</ul>
</li>
<li>
<a href="#hasil-penelitian">Hasil Penelitian</a>
</li>
<li>
<a href="#pengujian-hasil-training">Pengujian Hasil Training</a>
<ul class="list-disc list-inside pl-6">
<li><a href="#dengan-gambar">Dengan Gambar</a></li>
<li><a href="#dengan-video">Dengan Video</a></li>
</ul>
</li>
<li>
<a href="#lainnya">Lainnya</a>
</li>
<li>
<a href="#credits">Credits</a>
</li>
</ol>
</div>
</div>
<div class="container mx-auto flex">
<div id="main-menu" class="px-8 md:px-36 mx-auto text-gray-200">
<button id="tombol-buka-sidebar" class="fixed bg-indigo-800 text-gray-100 py-1 px-3 mt-4 -ml-8 md:-ml-40 shadow-md rounded-lg hover:bg-indigo-900 duration-300" type="button">Sidebar</button>
<h1 class="text-2xl font-bold mt-7 mb-2 text-center">Pendeteksian Objek Dataset Rambu Lalu Lintas Indonesia menggunakan Algoritma Deep Learning YOLO (You Only Look Once)</h1>
<p class="text-center mb-2">oleh <a class="underline" href="https://github.com/AdhyWiranto44/object-detection-indonesian-traffic-signs-using-yolo-algorithm">Adhy Wiranto Sudjana</a></p>
<div class="text-center mb-8">
<a class="mr-2 underline" href="paper_id.pdf" target="_blank">Paper</a>
<a class="underline" href="https://youtu.be/ZndeLSH5VeA" target="_blank">Demo Implementasi</a>
</div>
<iframe class="mx-auto mb-8" width="560" height="315" src="https://www.youtube.com/embed/ZndeLSH5VeA" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
<h2 id="tujuan" class="text-lg font-bold mt-8">TUJUAN</h2>
<p>
Untuk mewujudkan implementasi Computer Vision di Indonesia khususnya dalam penelitian Autonomous Vehicle dibutuhkan kontribusi dalam berbagai aspek. Salah satu kontribusi yang dilakukan pada penelitian ini adalah pengumpulan dataset rambu lalu lintas di Indonesia yang dapat dimanfaatkan untuk pendeteksian rambu lalu lintas di Indonesia. Dari pengumpulan dataset tersebut akan dibuatkan model Deep Learning-nya lalu diimplementasikan menggunakan salah satu algoritma Deep Learning YOLOv4 (You Only Look Once versi 4) untuk pendeteksian objek rambu lalu lintas yang ada di Indonesia.
</p>
<h2 id="abstrak" class="text-lg font-bold mt-8">ABSTRAK</h2>
<p>
Autonomous Vehicle adalah kendaraan yang dapat berfungsi sebagaimana kendaraan pada umumnya namun dengan kemampuan otomatisasi, salah satu kemampuan tersebut adalah mampu mendeteksi rambu lalu lintas yang ada di sekitarnya. Untuk dapat menjalankan kemampuannya tersebut pustaka dataset diperlukan dalam pendeteksian objek rambu lalu lintas khususnya dalam penelitian ini adalah yang ada di Indonesia. Penelitian ini bertujuan untuk pembangunan model Deep Learning menggunakan dataset rambu lalu lintas khas Indonesia yang akan dikumpulkan dan selanjutnya diteliti menggunakan salah satu algoritma Deep Learning yang khusus untuk pendeteksian objek secara realtime.
<br><br>
Jumlah dataset yang dikumpulkan berdasarkan rambu yang sering muncul di Kota Bandung dengan eksperimen awal menggunakan 3 jenis rambu mendapatkan hasil pendeteksian yang relatif baik, agar lebih komprehensif lagi dilakukan pengumpulan sebanyak 21 jenis rambu. Dataset yang dikumpulkan berupa gambar rambu lalu lintas yang melingkupi 21 jenis rambu dengan total gambar sebanyak 2100 buah gambar. Algoritma yang digunakan pada pendeteksian objek ini adalah algoritma yang dikembangkan dari Convolutional Neural Network (CNN) yaitu You Only Look Once versi 4 (YOLOv4) karena algoritma ini merupakan salah satu algoritma yang cocok digunakan untuk pendeteksian objek secara real-time, akurasi yang baik (berdasarkan dataset MS COCO), dan tingkat Frame per Second saat pendeteksian paling baik jika dibandingkan dengan EfficientDet dan versi sebelumnya YOLOv3 [BOC20].
<br><br>
Pendeteksian objek menghasilkan akurasi model sebesar 95.63%, model ini digunakan pada file video dan berhasil mendeteksi objek rambu lalu lintas dengan baik.
<br><br>
Kata kunci: Object Detection, Deep Learning, YOLO (You Only Look Once), CNN (Convolutional
Neural Network), Rambu Lalu Lintas
<br><br>
Sejauh yang diamati, belum ada pustaka dataset yang menyediakan dataset rambu lalu lintas di Indonesia secara komprehensif, hal ini merupakan alasan mengapa penelitian ini dilakukan.
</p>
<h2 id="rambu-lalu-lintas" class="text-lg font-bold mt-8">RAMBU LALU LINTAS</h2>
<p>
Berikut adalah detail mengenai Rambu Lalu Lintas yang diteliti:
</p>
<h3 id="bentuk-dataset" class="text-md font-bold mt-8">Bentuk Dataset</h3>
<p>
Dataset yang dikumpulkan adalah berupa gambar yang telah diberikan label
</p>
<h3 id="jumlah-rambu" class="text-md font-bold mt-8">Jumlah Rambu</h3>
<p>
Jumlah rambu lalu lintas yang diteliti adalah sebanyak 21 jenis, yaitu:
</p>
<ol class="list-inside list-decimal">
<li>Larangan Parkir</li>
<li>Larangan Berhenti</li>
<li>Larangan Masuk Bagi Kendaraan Bermotor dan Tidak Bermotor</li>
<li>Larangan Memutar Balik</li>
<li>Larangan Belok Kanan</li>
<li>Larangan Belok Kiri</li>
<li>Larangan Berjalan Terus Wajib Berhenti Sesaat</li>
<li>Peringatan Banyak Pejalan Kaki Menggunakan Zebra Cross</li>
<li>Peringatan Alat Pemberi Isyarat Lalu Lintas</li>
<li>Peringatan Pintu Perlintasan Kereta Api</li>
<li>Peringatan Simpang Tiga Sisi Kiri</li>
<li>Peringatan Penegasan Rambu Tambahan</li>
<li>Perintah Masuk Jalur Kiri</li>
<li>Perintah Pilihan Memasuki Salah Satu Jalur</li>
<li>Petunjuk Lokasi Putar Balik</li>
<li>Petunjuk Penyeberangan Pejalan Kaki</li>
<li>Petunjuk Lokasi Pemberhentian Bus</li>
<li>Petunjuk Area Parkir</li>
<li>Lampu Merah</li>
<li>Lampu Kuning</li>
<li>Lampu Hijau</li>
</ol>
<h3 id="jumlah-total-dataset" class="text-lg font-bold mt-8">Jumlah Total Dataset</h3>
<p>
Total dataset yang dikumpulkan untuk semua jenis rambu adalah sebanyak 2100 buah
</p>
<h3 id="pembagian-dataset" class="text-lg font-bold mt-8">Pembagian Dataset</h3>
<p>
Dataset dibagi menjadi Dataset Training (70%) dan Dataset Testing (30%)
</p>
<h2 id="tools" class="text-lg font-bold mt-8">TOOLS</h2>
<ul>
<li>Darknet</li>
<li>YOLOv4</li>
<li>Python & PIP</li>
<li>openCV</li>
<li>Google Colab</li>
</ul>
<h2 id="terminologi" class="text-lg font-bold mt-8">TERMINOLOGI</h2>
<h3 id="object-detection" class="text-lg font-bold mt-8">Object Detection</h3>
<p>
Object Detection adalah salah satu dari banyaknya tugas dan goals dari ilmu Computer Vision yang melakukan pendeteksian objek pada suatu gambar dengan memberikan sebuah bounding box dan diberikan label.
</p>
<h3 id="deep-learning" class="text-lg font-bold mt-8">Deep Learning</h3>
<p>
Deep Learning adalah sub-ilmu dari Machine Learning yang perbedaannya adalah memiliki lebih dari 1 hidden layer pada sebuah multi-layer perceptron, maka dari mengapa disebut dengan "Deep".
</p>
<h3 id="convolutional-neural-network" class="text-lg font-bold mt-8">Convolutional Neural Network</h3>
<p>
Convolutional Neural Network atau biasa disebut dengan CNN adalah algoritma yang menjadi cikal bakal dari banyaknya algoritma Deep Learning seperti YOLO dan SSD. CNN terdiri dari 3 bagian layer utama:
</p>
<ol>
<li>Input Layer</li>
<li>Hidden Layer</li>
<li>Output Layer</li>
</ol>
<h3 id="you-only-look-once" class="text-lg font-bold mt-8">You Only Look Once</h3>
<p>
You Only Look Once atau YOLO adalah salah satu algoritma untuk Pendeteksian Objek yang awalnya dikembangkan oleh Joseph Redmond, et al. pada 2015 dan sekarang dikembangkan oleh Alexey Bochkovskiy, et al. Khusus pada versi 4 yang digunakan pada penelitian ini pipeline-nya sangat berbeda dari versi awal, YOLOv4 memiliki arsitektur Object Detector dimana memiliki 4 bagian utama:
</p>
<ol>
<li>Input</li>
<li>Backbone</li>
<li>Neck</li>
<li>Dense Prediction</li>
</ol>
<h2 id="hasil-pelatihan" class="text-lg font-bold mt-8">HASIL PELATIHAN</h2>
<p>
Proses pelatihan yang dilakukan memakan waktu -+ 70 jam dengan mAP (mean Average Precision) sebagai berikut:
</p>
<img src="mAP.jpg" alt="mAP">
<p>
Keterangan: best batch adalah hasil pelatihan terbaik dari semua iterasi pelatihan (sekitar 40000 iterasi)
</p>
<h2 id="pengujian-hasil-training" class="text-lg font-bold mt-8">PENGUJIAN HASIL TRAINING</h2>
<h3 id="dengan-gambar" class="text-lg font-bold mt-8">Dengan Gambar</h3>
<p>
Hasil:
</p>
<img src="lampu-isyarat.png" alt="lampu-isyarat">
<img src="rambu-larangan.png" alt="rambu-larangan">
<h3 id="dengan-video" class="text-lg font-bold mt-8">Dengan Video</h3>
<p>
Hasil:
</p>
<img src="vid-terdeteksi-2.gif" alt="vid-terdeteksi-2">
<h2 id="lainnya" class="text-lg font-bold mt-8">LAINNYA</h2>
<p>
Link dataset:
</p>
<a class="underline" href="https://drive.google.com/file/d/10y9pXLEsUm0lzDrugF5HB21aw71kuAZ0/view?usp=sharing" target="_blank">Training</a><br>
<a class="underline" href="https://drive.google.com/file/d/1xkNUHyhiVNhCu5BpclJ9vCJ1LSzvSzpk/view?usp=sharing" target="_blank">Testing</a><br>
<br><br>
<p>
Model Deep Learning:
</p>
<a class="underline" href="https://drive.google.com/file/d/1kE1nW5ov4H__mikS-gYFfzhCK_byKBv0/view?usp=sharing" target="_blank">Di sini</a>
<h2 id="credits" class="text-lg font-bold mt-8">CREDITS</h2>
<a class="underline" href="https://github.com/AlexeyAB/darknet" target="_blank">Framework</a><br>
<a class="underline" href="https://github.com/theAIGuysCode/YOLOv4-Cloud-Tutorial" target="_blank">Kode Sumber</a><br>
<a class="underline" href="https://www.mapillary.com/" target="_blank">Mapillary</a>
<p>Google Images</p>
<p>Google Maps</p>
<h2 id="references" class="text-lg font-bold mt-8">REFERENCES</h2>
<ol class="list-inside list-disc">
<li><a href="https://arxiv.org/pdf/2004.10934.pdf" target="_blank">YOLOv4: Optimal Speed and Accuracy of Object Detection</a></li>
<li><a href="https://repositori.upf.edu/bitstream/handle/10230/42548/Sanchez_2019.pdf" target="_blank">Speed Traffic Sign Detection on the CARLA simulator using YOLO</a></li>
<li><a href="https://www.researchgate.net/publication/321117701_A_Real-Time_Chinese_Traffic_Sign_Detection_Algorithm_Based_on_Modified_YOLOv2" target="_blank">A Real-Time Chinese Traffic Sign Detection Algoritm Based on Modified YOLOv2</a></li>
</ol>
</div>
</div>
<script>
const tombolTutupSidebar = document.getElementById("tombol-tutup-sidebar");
const tombolBukaSidebar = document.getElementById("tombol-buka-sidebar");
tombolTutupSidebar.addEventListener("click", (e) => {
const sidebar = document.querySelector("#sidebar");
sidebar.classList.add("hidden");
tombolBukaSidebar.classList.remove("hidden");
}
);
tombolBukaSidebar.addEventListener("click", (e) => {
const sidebar = document.querySelector("#sidebar");
sidebar.classList.remove("hidden");
tombolBukaSidebar.classList.add("hidden");
}
);
</script>
</body>
</html>