Implementation of YOLOv8 for Real-Time Cars Detection and Counters on Security Gate Areas
Abstract
Abstrak — Deteksi dan penghitungan kendaraan di gerbang
keamanan sangat penting untuk manajemen lalu lintas dan
keselamatan. Studi ini mengimplementasikan YOLOv8,
algoritma deteksi objek berbasis jaringan saraf konvolusional,
dalam sistem waktu nyata untuk deteksi dan penghitungan
kendaraan. YOLOv8 dipilih karena kecepatan dan
keakuratannya, yang penting untuk aplikasi waktu nyata.
Model ini dilatih selama 300 periode, menghasilkan
peningkatan signifikan dalam metrik evaluasi: Box_loss
menurun dari 0,874540 menjadi 0,336177, Obj_Loss dari
0,336177 menjadi 0,301361, dan Cls_Loss dari 0,301361
menjadi 0,529893. Presisi meningkat menjadi 0,529893, Recall
menjadi 0,612314, mAP_0,5 meningkat dari 0,586869 menjadi
0,746705, dan mAP_0,5:0,95 meningkat dari 0,446080 menjadi
0,531407. Pengujian menunjukkan 17 deteksi dengan akurasi
100% dan 19 hitungan dengan akurasi 89%. Model ini juga
diuji dalam berbagai kondisi cahaya, termasuk skenario gelap
dan terang, yang menunjukkan kinerja yang konsisten dan hasil
deteksi yang andal. Studi ini menyimpulkan bahwa model
YOLOv8 yang dilatih mencapai kinerja deteksi yang tinggi.
Implementasi waktu nyata menggunakan kamera CCTV
terbukti efektif dalam berbagai kondisi pencahayaan, yang
mengonfirmasi kekokohan dan keandalan model. Temuan ini
menggarisbawahi potensi YOLOv8 untuk secara signifikan
meningkatkan efisiensi dan keamanan di area yang dipantau.
Hasilnya memberikan landasan yang kuat bagi penelitian dan
pengembangan di masa mendatang, yang bertujuan untuk lebih
menyempurnakan dan memperluas penerapan YOLOv8 dalam
berbagai skenario deteksi dan penghitungan waktu nyata.
Kata Kunci — YOLOv8, Object Detection, Real Time Detection.
References
Z. R. S. Elsi,
Arduino,= J. Sist. Komput., vol. 2, no. 2, 2017, doi: 10.32767/jusikom.v2i2.156.
H. Lou et al.,
Electron., vol. 12, no. 10, 2023, doi: 10.3390/electronics12102323.
D. Andwiyan, T. Frian, and M. Aan,
Terintegrasi Website dan API,= Incomtech, vol. 10, no. 2, 2021.
S. Rath,
YOLO Models,= ://Learnopencv.Com/Ultralytics-Yolov8/, 2023.
D. A. Abdurrafi, M. T. Alawiy, and B. M. Basuki,
Berbasis Algoritma You Only Look Once (YOLO) Menggunakan Kamera CCTV,= Sci. ELECTRO, no. 1, 2023.
Z. Zou, K. Chen, Z. Shi, Y. Guo, and J. Ye,
Detection in 20 Years: A Survey,= Proc. IEEE, vol. 111, no. 3, 2023, doi: 10.1109/JPROC.2023.3238524.
G. Wang, Y. Chen, P. An, H. Hong, J. Hu, and T. Huang,
Model Based on Improved YOLOv8 for UAV Aerial Photography Scenarios,= Sensors, vol. 23, no. 16, 2023, doi: 10.3390/s23167190.
