Pengembangan Model Deteksi Objek Dalam Rumah Bagi Tunanetra Berbasis Optimasi YOLOv8n Menggunakan Metode Ghost Module dan Attention Mechanism – Submit Jurnal
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Kamil, Muhammad Insan
Subject
T Technology (General)
Datestamp
2025-01-09 02:51:59
Abstract :
Penyandang tunanetra sering menghadapi kesulitan dalam mobilitas sehari-hari karena keterbatasan alat bantu yang tersedia saat ini. Meskipun tongkat khusus dapat membantu dalam berjalan, namun masih sulit bagi mereka untuk mendeteksi objek secara real-time. Kemajuan dalam pengenalan objek berbasis citra, terutama dengan penggunaan machine learning, menawarkan solusi yang menjanjikan. Namun, kendala muncul dalam implementasi deteksi objek pada perangkat keras dengan komputasi terbatas seperti Single-board Computer (SBC). Penelitian terbaru menunjukkan bahwa meskipun telah dilakukan optimasi pada model deteksi objek seperti YOLOv8, namun beban komputasinya masih cukup besar untuk diimplementasikan pada SBC. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model YOLOv8 versi nano dengan beban komputasi yang lebih ringan. Metode yang diusulkan melibatkan penggunaan ghost module, downsampling, dan attention mechanism. Hasil penelitian menunjukkan bahwa penggunaan ghost module dan downsampling efektif mengurangi beban komputasi model YOLOv8n dari 8.09 GFLOPs menjadi 1.77 GFLOPs, menurunkan waktu inference model hingga 57,6%, dari 401,56 ms menjadi 170,33 ms pada perangkat keras raspberry pi 4, tanpa mengorbankan performa deteksi secara signifikan. Selain itu, integrasi attention mechanism melalui attention max pooling meningkatkan akurasi model dengan peningkatan mAP sebesar 1,3% dibandingkan max pooling standar. Model ini berhasil memberikan deteksi yang lebih akurat dan efisien, menjadikannya solusi yang potensial dalam membangun sistem benam untuk membantu penyandang tunanetra dalam mendeteksi objek secara real-time.
Penyandang tunanetra sering menghadapi kesulitan dalam mobilitas sehari-hari karena keterbatasan alat bantu yang tersedia saat ini. Meskipun tongkat khusus dapat membantu dalam berjalan, namun masih sulit bagi mereka untuk mendeteksi objek secara real-time. Kemajuan dalam pengenalan objek berbasis citra, terutama dengan penggunaan machine learning, menawarkan solusi yang menjanjikan. Namun, kendala muncul dalam implementasi deteksi objek pada perangkat keras dengan komputasi terbatas seperti Single-board Computer (SBC). Penelitian terbaru menunjukkan bahwa meskipun telah dilakukan optimasi pada model deteksi objek seperti YOLOv8, namun beban komputasinya masih cukup besar untuk diimplementasikan pada SBC. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model YOLOv8 versi nano dengan beban komputasi yang lebih ringan. Metode yang diusulkan melibatkan penggunaan ghost module, downsampling, dan attention mechanism. Hasil penelitian menunjukkan bahwa penggunaan ghost module dan downsampling efektif mengurangi beban komputasi model YOLOv8n dari 8.09 GFLOPs menjadi 1.77 GFLOPs, menurunkan waktu inference model hingga 57,6%, dari 401,56 ms menjadi 170,33 ms pada perangkat keras raspberry pi 4, tanpa mengorbankan performa deteksi secara signifikan. Selain itu, integrasi attention mechanism melalui attention max pooling meningkatkan akurasi model dengan peningkatan mAP sebesar 1,3% dibandingkan max pooling standar. Model ini berhasil memberikan deteksi yang lebih akurat dan efisien, menjadikannya solusi yang potensial dalam membangun sistem benam untuk membantu penyandang tunanetra dalam mendeteksi objek secara real-time.
File :
11211058_cover.pdf
11211058_statement_of_authenticity.pdf
11211058_chapter_1.pdf
11211058_chapter_2.pdf
11211058_chapter_3.pdf
11211058_chapter_4.pdf
11211058_conclusions.pdf
11211058_bibliography.pdf
11211058_enclosure.pdf
11211058_paper.pdf
11211058_presentation.pdf
11211058_Form. TA-020.pdf
11211058_publishing_agreement.pdf
11211058_approval_sheet.pdf
11211058_preface.pdf
11211058_abstract_id.pdf
11211058_abstract_en.pdf
11211058_table_of_content.pdf
11211058_illustrations.pdf
11211058_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
