Perpustakaan Digital ITB

Kecepatan dan akurasi pendeteksian objek merupakan aspek penting pada sistem persepsi untuk kendaraan otonom. Peningkatan performa kecepatan pendeteksian dapat membantu model detektor objek mencapai kinerja yang mendekati waktu nyata, sementara peningkatan performa akurasi dapat menambah keandalan detektor objek di berbagai skenario. Keseimbangan antara kedua peningkatan ini dapat meningkatkan keselamatan kendaraan otonom, terutama dalam kondisi lalu lintas yang padat dan beragam seperti di Indonesia. Studi ini mengembangkan model detektor objek menggunakan dataset lokal untuk mencerminkan kondisi dunia nyata. Peningkatan performa frame per detik (fps) dan mean Average Precision (mAP@50-95) yang seimbang didapat melalui model deep learning YOLOv5 yang dimodifikasi. Peningkatan utama dari model ini mencakup integrasi lapisan GhostConv dan Transformer ke dalam arsitektur YOLOv5, yang kemudian modifikasi ini disebut sebagai YOLOv5s-GT, serta penerapan augmentasi gambar dengan berbagai skenario pada data pelatihan. Hasil eksperimen menunjukkan bahwa YOLOv5 yang dimodifikasi dapat mengungguli model dasar dalam metrik fps dan mAP, yaitu mencapai 82,6 fps dan 80,1% mAP@50-95, dibandingkan dengan performa model dasarnya yang mencapai 75,8 fps dan 77,7% mAP@50-95.