ampe sekarang, deteksi objek dalam gambar pake model computer vision selalu berhadapan sama problem utama: lama prosesnya, bisa sampe beberapa detik. Keterlambatan ini jadi penghalang serius buat dipake di kasus-kasus kaya autonomous driving. Tapi sekarang, model computer vision YOLOv8 dari Ultralytics ngejawab tantangan ini. Model anyar ini bisa ngedeteksi objek secara real-time dengan akurasi dan kecepatan yang nggak tertandingi, makin ngehits di dunia computer vision.
Nah, di artikel ini kita bakal bahas tentang YOLOv8, kemampuannya, dan gimana caranya kamu bisa custom dan bikin model sendiri lewat repositori Github yang open-source.
YOLO (You Only Live Once) adalah model computer vision yang udah cukup populer buat deteksi dan segmentasi objek dalam gambar. Model ini udah lewat beberapa update dari waktu ke waktu, dan YOLOv8 ini versi ke-8 dari rangkain model YOLO.
Jadi, YOLOv8 ini nambahin kemampuan dari versi-versi sebelumnya dengan membawa fitur-fitur baru yang bikin deteksi objek real-time di gambar dan video makin akurat dan presisi.
Dari v1 ke v8: Sejarah Ringkas
- Yolov1: Dirilis tahun 2015, versi pertama YOLO diperkenalkan sebagai model deteksi objek tahap tunggal. Fitur utamanya adalah model baca seluruh gambar buat prediksi setiap kotak pembatas dalam satu evaluasi.
- Yolov2: Versi berikutnya, dirilis tahun 2016, punya performa tinggi di benchmark kaya PASCAL VOC dan COCO, dengan kecepatan tinggi (67-40 FPS). Model ini juga bisa ngedeteksi lebih dari 9000 kategori objek, meski cuma punya data deteksi spesifik yang terbatas.
- Yolov3: Diluncurkan tahun 2018, Yolov3 membawa fitur-fitur baru kaya backbone network yang lebih efektif, multiple anchors, dan spatial pyramid pooling buat ekstraksi fitur multi-skala.
- Yolov4: Saat Yolov4 keluar tahun 2020, ada teknik augmentasi data baru bernama Mosaic yang diperkenalkan, memberikan kemampuan pelatihan yang lebih baik.
- Yolov5: Dirilis tahun 2021, Yolov5 menambahkan fitur-fitur baru yang powerful, termasuk optimisasi hiperparameter dan pelacakan eksperimen yang terintegrasi.
- Yolov6: Dengan keluarnya Yolov6 tahun 2022, model ini di-open source buat promosi pengembangan yang didukung komunitas. Fitur-fitur baru diperkenalkan, kaya strategi self-distillation baru dan strategi Anchor-Aided Training (AAT).
- Yolov7: Dirilis di tahun yang sama, 2022, Yolov7 meningkatkan model yang udah ada dalam hal kecepatan dan akurasi, jadi model deteksi objek tercepat saat itu.
Apa yang Bikin YOLOv8 Beda?
Keakuratan dan kecepatan luar biasa dari YOLOv8 bikin model computer vision ini keliatan banget beda dari versi-versi sebelumnya. Ini pencapaian besar karena sekarang objek bisa dideteksi secara real-time tanpa jeda, nggak kaya versi-versi sebelumnya.
Tapi nggak cuma itu aja, YOLOv8 juga dilengkapi dengan kemampuan-kemampuan keren lainnya, antara lain:
- Arsitektur yang bisa disesuaikan: YOLOv8 menawarkan arsitektur yang fleksibel, bisa disesuaikan sama kebutuhan pengembang.
- Pelatihan yang adaptif: Kemampuan pelatihan adaptif YOLOv8, kaya balancing fungsi kerugian selama pelatihan dan teknik-teknik lain, meningkatkan learning rate. Ada juga metode Adam, yang berkontribusi pada akurasi yang lebih baik, konvergensi yang lebih cepat, dan performa model secara keseluruhan yang lebih baik.
- Analisis gambar canggih: Melalui kemampuan segmentasi semantik dan prediksi kelas baru, model ini bisa mendeteksi aktivitas, warna, tekstur, bahkan hubungan antar objek selain fungsi deteksi objek intinya.
- Augmentasi data: Teknik augmentasi data baru membantu mengatasi variasi gambar kaya rendah resolusi, occlusion, dll., dalam situasi deteksi objek di dunia nyata di mana kondisinya nggak selalu ideal.
- Dukungan untuk backbone: YOLOv8 mendukung beberapa jenis backbone, termasuk CSPDarknet (backbone default), EfficientNet (backbone ringan), dan ResNet (backbone klasik), yang bisa dipilih pengguna. Bahkan pengguna bisa ngustomize backbone dengan nggantiin CSPDarknet53 dengan arsitektur CNN lain yang kompatibel dengan dimensi input dan output YOLOv8.