Knowledge Distillation pada Sistem Pendeteksi Objek Yolo untuk Robot Service

Billy, Billy (2019) Knowledge Distillation pada Sistem Pendeteksi Objek Yolo untuk Robot Service. Other thesis, Institut Teknologi Sepuluh Nopember.

Preview	Text tugas_akhir.pdf Download (9MB) | Preview
	Text 07211540000015-Undergraduate_Thesis.pdf Download (9MB)

Abstract

Deep learning sudah memiliki akurasi yang bagus,namun memerlukan komputasi yang besar. Akibatnya untuk saat diterapkan diperangkat yang memiliki kemampuan komputasi dan memori yang terbatas seperti robot pada umumnya, waktu komputasi model menjadi lambat atau tidak bisa dijalankan. Agar performa model deep learning lebih optimal pada perangkat dengan komputasi minimal,diperlukan model yang memiliki ukuran kecil namun akurasi tetap sama dengan model ukuran besar. Sehingga pada tugas akhir ini akan dilakukan uji coba beberapa metode untuk meningkatkan performa model deep learning untuk deteksi objek agar dapat dijalankan pada perangkat seperti robot service dengan komputasi minimal. Setelah diuji coba pada sistem deteksi objek YOLO,metode knowledge distillation dapat digunakan untuk meningkatkan akurasi dan metode batchnorm fusion dapat digunakan untuk mempercepat komputasi. Dari hasil pengujian menggunakan dataset VOC (Visual Object Classes) pada arsitektur YOLO (You OnlyLook Once) dengan feature extractor Mobilenet, metode knowledge distillation dapat meningkatkan akurasi sebesar sebesar 9.4% dari 0.3850 mAP menjadi 0.4215 mAP dan batchnorm fusion mempercepat waktu komputasi hinnga 100.7% dari 8.3 FPS menjadi16.66 FPS pada laptop dengan CPU i7. Metodeknowledge distillation dapat meningkatkan akurasi model, dengan memperkecil ukuran model dan metode batchnorm fusion dapat mempercepat komputasi sehingga model dapat digunakan untuk berbagai aplikasi seperti sistem pencari objek pada robot service dengan komputasi minimal. =================================================================================================================================
Deep learning already has good accuracy, but requires great computing. As a result, when applied to devices that have limited computing and memory capabilities such as robots in general, the computation time of the model becomes slow or not applicable. In order to optimalize deep learning model, we need a model with smaller size but with the accuracy of a large model. This final project will be focusing on testing several methods to improve the performance of the deep learning model for object detection to make it capable of running on devices such as robot service with minimal computing. After being tested on the YOLO object detection system ,knowledge distillation method can be used to increase accuracy and batchnorm fusion method can be used to increase computation speed.From the test results using VOC dataset on YOLO architecture with Mobilenet feature extractor , knowledge distillation method can increase accuracy by 9.4% from 0.3850 mAP to 0.4215 mAP and batchnorm fusion can speeds up the computation time to 100.7% from8.3 FPS to 16.66 FPS on laptop with CPU i7. The Knowledge Distillation method can increase model’s accuracy, reducing model’s size and batchnorm fusion method can speed up computing so that the model can be used for various applications such as object detection system on robot service with minimal computing.

Item Type:	Thesis (Other)
Additional Information:	RSKom 006.31 Bil k-1 2019
Uncontrolled Keywords:	Deep Learning, Object Detection, YOLO, Mobilenet,Knowledge Distillation, Batchnorm Fusion
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Electrical Technology > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Billy Billy
Date Deposited:	30 Apr 2024 01:44
Last Modified:	30 Apr 2024 01:44
URI:	http://repository.its.ac.id/id/eprint/70381

Actions (login required)

View Item