Perpustakaan Digital ITB

Deteksi kendaraan merupakan salah satu dari sekian banyak tugas yang harus dapat diselesaikan oleh sistem kendaraan otonom atau autonomous vehicle. Saat ini, penggunaan algoritma pembelajaran mendalam (deep learning) convolutional neural network (CNN) sangat berpengaruh dalam performa deteksi objek. Pendeteksi objek YOLO (You Only Look Once) merupakan salah satu dari sistem pendeteksi objek yang paling baik performanya saat ini dibandingkan sistem pendeteksi objek lain yang ada yang dapat mendeteksi objek secara real-time. Permasalahan utama dari pendeteksian objek secara real-time adalah dengan mengorbankan akurasinya. Reduksi resolusi dari masukan ke model biasanya dilakukan untuk meningkatkan kecepatan, namun akan mengurangi akurasi karena adalnya fitur dari objek yang hilang. Model yang digunakan untuk membuat model pendeteksi objek adalah YOLO versi keempat yang dilatih menggunakan dataset MS COCO sehingga menghasilkan performa deteksi dengan mAP tinggi dan berjalan pada kecepatan real-time dalam mendeteksi kendaraan. Hasil eksperimen menunjukkan bahwa model yang dibangun menggunakan YOLO versi keempat menghasilkan model paling optimal deteksi dengan nilai mAP yang baik yaitu hingga 71,08% pada IoU threshold 0,5 dan dengan kecepatan pendeteksian real-time yaitu dengan rata-rata kecepatan deteksi 30,8 FPS. Namun jika ingin menerapkan pelacakan objek/ object tracking pada model deteksi objek YOLO versi keempat yang sudah dilatih sebelumnya dengan menerapkan algoritma DeepSORT, akan memperlambat kecepatan pemrosesan dari 30,8 FPS ke 21,45 FPS.