Deteksi Objek Multi-Kamera Berbasis Sumber Daya Menggunakan Model YOLO

Azhar, Muhammad Fath Mushaffa (2024) Deteksi Objek Multi-Kamera Berbasis Sumber Daya Menggunakan Model YOLO. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201051-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (8MB) | Request a copy

Abstract

Dalam beberapa dekade terakhir, jaringan kamera telah menjadi tren utama yang semakin signifikan. Pencatatan jangka panjang dari lingkungan yang berubah terus-menerus, menghasilkan jumlah informasi besar. Perubahan terus-menerus dalam lingkungan tersebut menyebabkan distribusi data yang fundamental juga berubah seiring waktu, yang dikenal sebagai concept drift. Penggunaan multi kamera untuk deteksi objek membawa tantangan besar dalam analisis data real-time karena volume data yang signifikan. Penelitian sebelumnya yang mengimplementasikan Algorithm Granularity Settings (AGS) pada deteksi orang dengan satu kamera menunjukkan akurasi tinggi, namun tetap ada batasannya dalam hal jumlah objek yang dideteksi. Oleh karena itu, penelitian ini mengusulkan sebuah sistem pemantauan dengan dua kamera dan beberapa model YOLO dengan Resource-aware Framework untuk menawarkan tingkat akurasi yang tinggi sambil mempertahankan penggunaan sumber daya, yaitu CPU, RAM dan disk storage.
Dalam penelitian ini, model YOLO yang digunakan meliputi YOLOv4-Tiny, YOLOv4, YOLOv5s, YOLOv5m, YOLOv8s, dan YOLOv8m. Untuk mendukung penggunaan dua kamera, penelitian ini akan mengimplementasikan dua kamera dengan dua metode: metode schedule (dua kamera bergantian) dan metode paralel (dua kamera bersamaan). Penelitian ini mencakup empat skenario berbeda, di mana setiap skenario akan menjalankan semua model YOLO. Skenario 1 melibatkan penggunaan satu kamera tanpa Resource-aware Framework, skenario 2 menggunakan satu kamera dengan Resource-aware Framework. Skenario 3 melibatkan penggunaan dua kamera tanpa Resource-aware Framework, sedangkan skenario 4 melibatkan penggunaan dua kamera dengan Resource-aware Framework. Demikian, penelitian ini akan melakukan 36 pengujian, dengan setiap program berjalan selama 3 hingga 6 jam.
Hasil penelitian menunjukkan bahwa penggunaan sumber daya pada dua kamera dengan metode schedule memiliki hasil dengan peningkatan yang sedikit dibandingkan dengan metode paralel. Pada metode schedule peningkatan CPU dan RAM hanya meningkat sekitar 0 – 6%, sedangkan metode paralel penggunaan CPU meningkat hingga 84% dan penggunaan RAM meningkat hingga 60%. Hal ini menunjukan bahwa metode paralel membutuhkan sumber daya yang lebih besar daripada metode schedule. Penggunaan Resource-aware Framework dapat mengurangi penggunaan sumber daya hingga 68% untuk penggunaan CPU, 13% untuk penggunaan RAM, dan memperlambat peningkatan penggunaan disk hingga enam kali lipat. Hal ini menunjukkan bahwa Resource-aware Framework dapat mengoptimalkan penggunaan sumber daya baik untuk satu kamera maupun dua kamera. Di antara beberapa model YOLO yang diuji, YOLOv8m menunjukkan tingkat akurasi tertinggi sebesaar 98,77% dan tingkat akurasi kesesuain jumlah orang sebesar 68,03%. Sementara itu, YOLOv4-Tiny memiliki inference time tercepat, yaitu 0,995s.
========================================================================================================================
In recent decades, camera networks have become an increasingly significant trend. Long-term recording of continuously changing environments generates vast amounts of information. These continuous changes cause the fundamental data distribution to shift over time, known as concept drift. The use of multi-camera systems for object detection presents substantial challenges in real-time data analysis due to the significant data volume. Previous research implementing Algorithm Granularity Settings (AGS) for person detection with a single camera demonstrated high accuracy, but there were limitations in the number of detected objects. Therefore, this study proposes a monitoring system with two cameras and several YOLO models with a Resource-aware Framework to offer high accuracy while maintaining resource usage, including CPU, RAM, and disk storage.
In this study, the YOLO models used include YOLOv4-Tiny, YOLOv4, YOLOv5s, YOLOv5m, YOLOv8s, and YOLOv8m. To support the use of two cameras, the study will implement two cameras using two methods: the schedule method (alternating between two cameras) and the parallel method (simultaneously using two cameras). The study encompasses four different scenarios, where each scenario will run all YOLO models. Scenario 1 involves using one camera without the Resource-aware Framework, scenario 2 uses one camera with the Resource-aware Framework. Scenario 3 involves using two cameras without the Resource-aware Framework, while scenario 4 involves using two cameras with the Resource-aware Framework. Thus, the study will conduct 36 tests, with each program running for 3 to 6 hours.
The results show that resource usage with two cameras and the scheduling method has minimal increases compared to the parallel method. With the scheduling method, CPU and RAM usage increases by only 0 – 6%, while the parallel method shows an 84% increase in CPU usage and a 60% increase in RAM usage. This indicates that the parallel method requires significantly more resources than the scheduling method. The Resource-aware Framework can reduce resource usage by up to 68% for CPU, 13% for RAM, and slow down disk usage increase by up to six times. This suggests that the Resource-aware Framework can optimize resource usage for both single and dual-camera setups. Among the tested YOLO models, YOLOv8m achieved the highest accuracy of 98.77% and the highest person count accuracy of 68.03%, while YOLOv4-Tiny had the fastest inference time of 0.995 seconds.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deteksi Objek, Multi Kamera, Resource-aware Framework, YOLO, Multi-Camera, Object Detection
Subjects:	Q Science > QA Mathematics > QA76.625 Internet programming. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Fath Mushaffa Azhar
Date Deposited:	26 Jul 2024 07:02
Last Modified:	26 Jul 2024 07:02
URI:	http://repository.its.ac.id/id/eprint/109103

Actions (login required)

View Item