Deteksi Lumba - Lumba Putih China Menggunakan YOLO

Effendy, Moch. Rafy Adhipramana (2024) Deteksi Lumba - Lumba Putih China Menggunakan YOLO. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024201058-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (32MB) | Request a copy

Abstract

Lumba - lumba putih China atau Sousa chinensis merupakan spesies lumba - lumba yang langka dan terancam punah, lumba - lumba jenis ini ditemukan di perairan Asia Timur, terutama di perairan Tiongkok. YOLO (You Only Look Once) muncul sebagai arsitektur state-of-the-art dalam bidang deteksi objek menggunakan deep learning serta CNN (Convolution Neural Network). YOLO memungkinkan identifikasi objek yang efisien dan akurat dalam gambar dan video secara real time. Kecepatan pemrosesan yang tinggi, kemampuan multi-thread, dan arsitektur single-stage menjadikan YOLO ideal untuk melakukan deteksi objek. Penelitian ini berfokus pada deteksi lumba - lumba putih China menggunakan YOLO yang telah diimprovisasi. Dengan memanfaatkan teknologi YOLO, deteksi objek secara otomatis dapat menghemat waktu dan sumber daya yang ada. Meskipun terdapat tantangan berupa dataset yang terbatas, YOLO dapat membantu mengidentifikasi lumba - lumba putih China secara akurat. Penelitian ini juga membatasi jenis lumba - lumba yaitu jenis putih china dan algoritma yang digunakan (YOLO) serta dataset berupa gambar RGB. Untuk YOLOv8 telah diimprovisasi dengan menggunakan upscale, Focus, dan GhostNet didapatkan mAP50 sebesar 0.85404 serta untuk mAP50-95 yaitu 0.66192 pada epoch ke-356 dengan inference time 16.6 ms untuk GPU RTX 3070 serta 384.6 ms untuk CPU i5-11400. Hasil ini lebih tinggi dibandingkan YOLOv8 tanpa optimalisasi yang hanya mendapatkan mAP50 sebesar 0.78073 serta untuk mAP50-95 yaitu 0.53335 epoch ke-135. Untuk model dengan inference time lebih cepat ada YOLOv8 dengan optimalisasi Focus dan GhostNet dengan inference time GPU 9.1 ms serta CPU 81.2 ms dengan akurasi mAP50 0.76544 dan mAP50 - 95 0.59395. Ini lebih cepat dibandingkan inference time YOLOv8 tanpa optimalisasi 9.6 ms dengan GPU serta 271.6 ms dengan CPU. Harapannya penelitian ini adalah dapat mengembangkan sistem deteksi yang akurat dan responsif untuk deteksi lumba - lumba putih China.
============================================================
The Chinese white dolphin, or Sousa chinensis, is a rare and endangered dolphin species found in the waters of East Asia, particularly in the waters of China. YOLO (You Only Look Once) has emerged as a state-of-the-art architecture in the field of object detection using deep learning and CNN (Convolution Neural Network). YOLO enables efficient and accurate identification of objects in images and videos in real-time. Its high processing speed, multi-threading capability, and single-stage architecture make YOLO ideal for object detection. This research focuses on detecting the Chinese white dolphin using an improved version of YOLO. By leveraging YOLO technology, automated object detection can save time and existing resources. Despite the challenge of limited datasets, YOLO can help accurately identify the Chinese white dolphin. This research also limits the dolphin species to the Chinese white dolphin and the algorithm used (YOLO), with the dataset consisting of RGB images. The improved YOLOv8, utilizing upscale, Focus, and GhostNet, achieved a mAP50 of 0.85404 and a mAP50-95 of 0.66192 at the 356th epoch with an inference time of 16.6 ms for an RTX 3070 GPU and 384.6 ms for an i5-11400 CPU. These results are higher compared to the non-optimized YOLOv8, which only achieved a mAP50 of 0.78073 and a mAP50-95 of 0.53335 at the 135th epoch. For a model with faster inference time, YOLOv8 with Focus and GhostNet optimization achieved a GPU inference time of 9.1 ms and a CPU inference time of 81.2 ms with a mAP50 accuracy of 0.76544 and a mAP50-95 of 0.59395. This is faster compared to the non-optimized YOLOv8 inference time of 9.6 ms with a GPU and 271.6 ms with a CPU. The hope of this research is to develop an accurate and responsive detection system for detecting the Chinese white dolphin.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	YOLO, CNN, Single stage, mAP, Inference Time.
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques T Technology > TR Photography > TR263.S37 Sea & Sea cameras.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Moch Rafy Adhipramana Effendy
Date Deposited:	02 Aug 2024 07:07
Last Modified:	02 Aug 2024 07:07
URI:	http://repository.its.ac.id/id/eprint/111969

Actions (login required)

View Item