Racking bola dengan menggunakan metode YOLO V8 Pada robot sepak bola beroda dengan kamera omnidirectional
Total View This Week0
Total View This Week0
Institusion
Universitas Ahmad Dahlan
Author
Rezka Julianda, Refli
Subject
T Technology (General)
Datestamp
2024-10-01 02:21:07
Abstract :
Pendeteksian objek sudah sangat sering kita temukan dalam, kehidupan sehari-hari yang mempermudah setiap kegiatan dalam proses pengenalan objek, misalnya terdapat pada bidang militer, transportasi cerdas, deteksi wajah, bidang robotika, dan lainnya. Deteksi target adalah salah satu hotspot penlitian di bidang visi komputer. Lokasi dan kategori target dapat ditentukan dengan menggunakan deteksi target. Saat ini, deteksi target telah diterapkan di banyak bidang salah satunya termasuk segmentasi citra. you only look once (YOLO) adalah algoritma yang dapat melakukan pendeteksian objek secara realtime, YOLO sendiri selalu mendapatkan perkembangan dan peningkatan dari versi-versi sebelumnya. YOLO V7 dimana YOLO V8 ini dapat memanfaatkan pendeteksian objek secara signifikan dengan kualitas FPS yang tinggi dan juga memiliki kelebihan dengan hanya sedikit dataset untuk belajar mengenali sebuah objek. YOLO V8 adalah implementasi baru dari Deep Learning yang menguhubungkan input (citra asli) dengan output. Jenis algoritma YOLO V8 ini menggunakan arsitektur A deep dive, dibantu dengan CNN dan backbone yang baru dimana menggunakan convolusional layer untuk pixelnya yang bila digambarkam akan berbentuk seperti piramida. YOLO V8 adalah metode processing deteksi objek yang stabil dengan 80% lebih tinggi daripada YOLO versi sebelumnya, yang membuat YOLOV8 menjadikannya jenis YOLO yang lebih pandai dalam memproses data objek lebih cepat dan efisien secara Real-Time. Kamera dengan sistem omnidirectional mampu mendeteksi objek bola dan objek lainnya menggunakan model YOLOV8 yang digunakan. Pada pengujian peforma dengan frame 320x320 dan 416x416, YOLOV8 mempunyai nilai mAP lebih tinggi dengan nilai sebesar 86,7% dibandingkan dengan YOLO versi yang sebelum-sebelumnya. Pada pengujian deteksi, YOLOV8 memiliki rata-rata deteksi objek yang lebih baik dibandingkan YOLO versi sebelum-sebelumnya yang ditunjukkan dengan banyaknya objek yang terdeteksi lebih stabil.
Pendeteksian objek sudah sangat sering kita temukan dalam, kehidupan sehari-hari yang mempermudah setiap kegiatan dalam proses pengenalan objek, misalnya terdapat pada bidang militer, transportasi cerdas, deteksi wajah, bidang robotika, dan lainnya. Deteksi target adalah salah satu hotspot penlitian di bidang visi komputer. Lokasi dan kategori target dapat ditentukan dengan menggunakan deteksi target. Saat ini, deteksi target telah diterapkan di banyak bidang salah satunya termasuk segmentasi citra. you only look once (YOLO) adalah algoritma yang dapat melakukan pendeteksian objek secara realtime, YOLO sendiri selalu mendapatkan perkembangan dan peningkatan dari versi-versi sebelumnya. YOLO V7 dimana YOLO V8 ini dapat memanfaatkan pendeteksian objek secara signifikan dengan kualitas FPS yang tinggi dan juga memiliki kelebihan dengan hanya sedikit dataset untuk belajar mengenali sebuah objek. YOLO V8 adalah implementasi baru dari Deep Learning yang menguhubungkan input (citra asli) dengan output. Jenis algoritma YOLO V8 ini menggunakan arsitektur A deep dive, dibantu dengan CNN dan backbone yang baru dimana menggunakan convolusional layer untuk pixelnya yang bila digambarkam akan berbentuk seperti piramida. YOLO V8 adalah metode processing deteksi objek yang stabil dengan 80% lebih tinggi daripada YOLO versi sebelumnya, yang membuat YOLOV8 menjadikannya jenis YOLO yang lebih pandai dalam memproses data objek lebih cepat dan efisien secara Real-Time. Kamera dengan sistem omnidirectional mampu mendeteksi objek bola dan objek lainnya menggunakan model YOLOV8 yang digunakan. Pada pengujian peforma dengan frame 320x320 dan 416x416, YOLOV8 mempunyai nilai mAP lebih tinggi dengan nilai sebesar 86,7% dibandingkan dengan YOLO versi yang sebelum-sebelumnya. Pada pengujian deteksi, YOLOV8 memiliki rata-rata deteksi objek yang lebih baik dibandingkan YOLO versi sebelum-sebelumnya yang ditunjukkan dengan banyaknya objek yang terdeteksi lebih stabil.
File :
T1_2000022045_JUDUL__240620032829.pdf
T1_2000022045_BAB_I__240620032829.pdf
T1_2000022045_BAB_II__240620032829.pdf
T1_2000022045_BAB_III__240620032829.pdf
T1_2000022045_BAB_IV__240620032829.pdf
T1_2000022045_BAB_V__240620032829.pdf
T1_2000022045_DAFTAR_PUSTAKA__240620032829.pdf
T1_2000022045_LAMPIRAN__240620032829.pdf
T1_2000022045_NASKAH_PUBLIKASI__240620032829.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
