Perbandingan Performa Jetson Nano, Jetson Xavier NX dan Lenovo Legion 5 terhadap Penggunaan YOLOv7
Abstrak
Akurasi tinggi dan performa merupakan hal yang penting dalam penerapan deep learning. Untuk mendapatkan hal tersebut, memerlukan adanya hardware yang mumpuni dalam bidang deep learning. GPU merupakan hardware yang paling berpengaruh pada hasil akurasi deep learning. Namun, GPU memerlukan biaya dan konsumsi daya yang tidak sedikit untuk menjalankan sebuah platform dengan performa tinggi. Dalam penelitian ini ada tiga perangkat komputer yang diuji performanya melalui algoritma YOLOv7 yaitu, Jetson Xavier NX, Jetson Nano, dan laptop Legion dengan GPU Nvidia Geforce GTX1650TI. Perangkat komputer ini, sudah pernah digunakan dalam pengujian object detection dibeberapa penelitian yang sudah dilakukan. Pengujian ini menggunakan dataset gambar yang sebelumnya berupa video lobster penangkaran Aruna Indonesia di Pantai Amed, Bali. Hasil pendeteksian lobster dapat lebih maksimal lagi apabila video dataset yang tersedia tidak bergerak atau kameranya tetap di tempat. Sementara ini, YOLOv7 merupakan pendeteksi objek yang paling unggul dari semua pendeteksi objek yang dikenal. Kualitas kecepatan dan akurasi yang dimiliki YOLOv7 bisa mencapai 5 FPS hingga 120 FPS dan memiliki akurasi tertinggi 56,8% AP pada mAP.5-.95 diantara semua pendeteksi objek realtime yang ada dengan sekitar 30 FPS lebih tinggi pada GPU V100.
Kata kunci— Akurasi tinggi, performa, FPS, AP, YOLOv7, GPU
Referensi
Deng, L. (2014).
Diwan, T., Anirudh, G., & Tembhurne, J. V. (2022).
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016).
Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2022).
Jocher, G. (2023).
Isikdag, U. (2015).
Gomez, A., Cuinas, D., Catala, P., Xin, L., Li, W.,
Conway, S., & Lack, D. (2015).
Computers as Smart Sensors in the Manufacturing
Industry=. Procedia Engineering, 132, 153-159.
-doi.org/10.1016/j.proeng.2015.12.461 (accessed
Jun. 20, 2023).
Srinivasan, V., Meudt, S., & Schwenker, F. (2019).
Cass, S. (2020).
Ullah, S., & Kim, D.-H. (2020).
Buck, I. (2007).
NVIDIA Autonomous Machines. (2023a).
NVIDIA Autonomous Machines. (2023b).
-www.nvidia.com/en-us/autonomousmachines/embedded-systems/jetson-xavier-nx/ (accessed Jun. 21, 2023).
lenovo. (2023).
Www.Lenovo.Com.
-www.lenovo.com/id/in/laptops/legion/legion-5- series/Lenovo-Legion-5-15ARH05/p/88GMY501444 (accessed Jun. 21, 2023).
Redmon, J., & Farhadi, A. (2016).
Suzen, A. A., Duman, B., & Sen, B. (2020).
Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN=. 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), 1-5.
-doi.org/10.1109/HORA49412.2020.9152915 (accessed Jun. 22, 2023).
Shah, D. (2022, March 7).
-Www.V7labs.Com.
-www.v7labs.com/blog/mean-average-precision (accessed Jun. 22, 2023).
Du, Y., Zhao, Z., Song, Y., Zhao, Y., Su, F., Gong, T., & Meng, H. (2023).
Great Again=. IEEE Transactions on Multimedia, 1-14.
-doi.org/10.1109/TMM.2023.3240881 (accessed
Jun. 22, 2023).
Chen, X., Zhang, P., Quan, L., Yi, C., & Lu, C. (2021).
Learning and Image Formation Model=. IEEE Access.
-arxiv.org/abs/2101.00991 (accessed Jun. 22, .
Li, C., Guo, C., Ren, W., Cong, R., Hou, J., Kwong, S., & Tao, D. (2020).
Benchmark Dataset and beyond=. IEEE Transactions on Image Processing, 29.
-doi.org/10.1109/TIP.2019.2955241 (accessedJun. 22, 2023)
