OPTIMASI ALGORITMA YOLOV5 MENGGUNAKAN METODE KNOWLEDGE DISTILLATION DAN SAHI DALAM DETEKSI OBJEK KECIL PADA CITRA DRONE

Andianto, Muhammad Andra (2024) OPTIMASI ALGORITMA YOLOV5 MENGGUNAKAN METODE KNOWLEDGE DISTILLATION DAN SAHI DALAM DETEKSI OBJEK KECIL PADA CITRA DRONE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (176kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (825kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (386kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (74kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (167kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3685.zip Restricted to Repository staff only Download (52MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (921kB)

Abstract

Permasalahan utama dalam penerapan model YOLOv5 pada deteksi objek di citra drone adalah kebutuhan komputasi yang tinggi, terutama pada model-model dengan kapasitas besar seperti YOLOv5x. Model dengan arsitektur besar ini, meskipun menghasilkan deteksi yang akurat, memerlukan waktu inferensi yang lama dan sumber daya komputasi yang besar. Dalam penelitian ini, diterapkan teknik Knowledge Distillation untuk mengurangi beban komputasi dengan memungkinkan model yang lebih ringan, seperti YOLOv5n dan YOLOv5s, untuk mentransfer pengetahuan dari model teacher yang lebih besar. Selain itu, teknik Sliced Aided Hyper Inference (SAHI) diterapkan untuk meningkatkan kemampuan deteksi objek kecil pada citra dengan resolusi tinggi. Hasil penelitian menunjukkan bahwa penerapan Knowledge Distillation memungkinkan model student untuk mengalami peningkatan yang signifikan dalam hal precision dan pengurangan waktu inferensi, meskipun model student tidak sepenuhnya mencapai kinerja model teacher. Teknik ini membantu model yang lebih ringan, seperti YOLOv5n dan YOLOv5s, untuk memperoleh hasil yang lebih baik dengan memanfaatkan pengetahuan yang ditransfer dari model teacher yang lebih besar dan kompleks. Penerapan Knowledge Distillation tidak hanya meningkatkan akurasi, tetapi juga mengurangi waktu inferensi, yang sangat penting dalam aplikasi real-time pada citra drone beresolusi tinggi. Sementara itu, SAHI membantu model student dalam mendeteksi objek kecil yang sering terlewatkan pada citra beresolusi tinggi. Secara keseluruhan, kombinasi kedua teknik ini menghasilkan optimisasi deteksi objek yang lebih efisien pada citra drone yang kompleks dan beresolusi tinggi.

Actions (login required)

View Item