Deteksi Lobster Menggunakan teknik StrongSORT pada YOLOv7
Abstract
Melakukan object-tracking dengan mempunyai
akurasi dan performa yang tinggi merupakan hal penting
dalam penerapan pemantauan pada deep learning yang
diterapkan pada sebagai automatic driving, and intelligent
monitoring salah satunya adalah lobster monitoring. Dalam
mencapai hal tersebut diperlukan beberapa penelitian yang
digabungkan menjadi satu dari mulai object-detection, dan
object-tracking. Saat ini, dalam halnya object-detection ada
beberapa algoritma yang sangat cukup popular salah satunya
adalah yaitu YOLO dengan memiliki akurasi, dan kecepatan
deteksi yang tinggi. Dengan berkembangnya zaman YOLO
dilakukan peningkatan dengan menghasilkan YOLOv7 yang
sangat canggih dari YOLO versi lainya, dengan memiliki
akurasi tertinggi yaitu 56.8% dan 30 FPS. Maka dari itu
YOLOv7 layak untuk diterapkan dalam object-detection yang
akan digabungkan dengan StrongSORT. StrongSORT adalah
object-tracking yang sangat kuat saat ini dengan meningkatkan
beberapa sitem pada DeepSORT. Dengan menggabungkan dua
sistem deep learning menjadi satu dan dilakukan pelatihan pada
dataset lobster menghasilkan frame per second ( FPS ) diatas 4,
dari penguji cobaan pada data percobaan didapatkan precision
sebesar 0.90, recall mendapatkan nilai 0.81, mAP@0.5 yang
mencapai 0.87 dan untuk mAP@0.5-0.95 tertinggi 0.44. Dari
hasil yang didapatkan dapat disimpulkan bahwa sistem
memenuhi syarat yang dapat dikatakan real-time object
detection, dan object tracking.
Kata kunci— object-detection, StrongSORT, YOLOv7, object-tracking
References
J. Schmidhuber,
An Overview,= Apr. 2014, doi:
1016/j.neunet.2014.09.003.
F. Yang, X. Zhang, and B. Liu,
based on YOLOv7 and DeepSORT,= Jul. 2022.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi,
Detection,= Jun. 2015.
C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao,
H. M. Lathifah, L. Novamizanti, and S. Rizal,
Accurate Fish Classification from Underwater Video
using You Only Look Once,= IOP Conf Ser Mater Sci
Eng, vol. 982, no. 1, p. 012003, Dec. 2020, doi:
1088/1757-899X/982/1/012003.
F. Akhyar, L. Novamizanti, and T. Riantiarni,,
Inspeksi Cacat pada Permukaan Kayu menggunakan
Model Deteksi Obyek YOLOv5,= ELKOMIKA: Jurnal
Teknik Energi Elektrik, Teknik Telekomunikasi, &
Teknik Elektronika, vol. 10, no. 4, p. 990, Oct. 2022,
doi: 10.26760/elkomika.v10i4.990.
F. Akhyar, L. Novamizanti, T. Putra, E. N. Furqon, M.-
C. Chang, and C.-Y. Lin,
Surface Defect Detection System for Sawn Lumber=,
Accessed: Aug. 22, 2023. [Online]. Available:
-github.com/AlexeyAB/darknet
S. Ren, K. He, R. Girshick, and J. Sun,
Towards Real-Time Object Detection with Region
Proposal Networks,= Jun. 2015.
and Prediction Problems,= Journal of Basic
Engineering, vol. 82, no. 1, pp. 35-45, Mar. 1960, doi:
1115/1.3662552.
H. W. Kuhn,
assignment problem,= Naval Research Logistics
Quarterly, vol. 2, no. 1-2, pp. 83-97, Mar. 1955, doi:
1002/NAV.3800020109.
A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft,
doi: 10.1109/ICIP.2016.7533003.
DeepSORT.= -learnopencv.com/understandingmultiple-object-tracking-using-deepsort/ (accessed
Jun. 24, 2023).
Y. Du et al.,
Again,= Feb. 2022.
Y. Zhang et al.,
Associating Every Detection Box,= Lecture Notes in
Computer Science (including subseries Lecture Notes
in Artificial Intelligence and Lecture Notes in
Bioinformatics), vol. 13682 LNCS, pp. 1-21, Oct.
, doi: 10.1007/978-3-031-20047-2_1.
G. D. Evangelidis and E. Z. Psarakis,
image alignment using enhanced correlation coefficient
maximization,= IEEE Trans Pattern Anal Mach Intell,
vol. 30, no. 10, pp. 1858-1865, 2008, doi:
1109/TPAMI.2008.113.
Parallel Computing.=
-www.turing.com/kb/understanding-nvidia-cuda
(accessed Jun. 26, 2023).
J. Lee and K. il Hwang,
control for real-time object detection applications,=
Multimed Tools Appl, vol. 81, no. 25, pp. 36375-36396,
Oct. 2022, doi: 10.1007/S11042-021-11480-0/FIGURES/12
