Deteksi Penggunaan Masker Wajah Menggunakan YOLOv5
Abstract
Abstrak-Pandemi COVID-19 menyebabkan global krisis kesehatan. Mengenakan masker wajah menjadi salah satu protokol kesehatan yang penting dan diwajibkan oleh pemerintah. Namun, masih banyak masyarakat yang enggan mengenakan masker wajah ketika berada di ruang publik. Oleh karena itu, diperlukan sistem yang dapat mendeteksi penggunaan masker wajah pada manusia yang bertujuan untuk membantu petugas dalam menegakkan kedisiplinan masyarakat dalam rangka menerapkan salah satu protokol kesehatan tersebut. Sistem tersebut dirancang dengan model object detection yang akurat dan efisien untuk mendeteksi penggunaan masker wajah pada manusia. Tugas akhir ini membahas bagaimana membangun sistem untuk mendeteksi masker pada wajah menggunakan metode YOLOv5 menggunakan dataset face mask detection yang asli dan yang telah di augmentasi serta berbagai nilai IoU threshold mulai dari 0,1; 0,2; 0,3; 0,5 dan 0,7. YOLOv5 merupakan versi terbaru dari YOLO sehingga memiliki akurasi yang tinggi, kemampuan mendeteksi small object, serta running speed yang cepat. Hasil terbaik jika menggunakan dataset face mask detection original didapatkan dengan nilai IoU threshold sebesar 0,3 yang memilki nilai mAP pada saat testing semua kelas sebesar 0,876. Jika menggunakan dataset face mask detection yang diaugmentasi hasil terbaik didapatkan dengan nilai IoU threshold sebesar 0,5 yang memiliki nilai mAP pada saat testing untuk semua kelas sebesar 0,849.
Kata kunci- object detection, you only look once, akurasi, small object, running speed,IoU threshold
References
G. J. Chowdary, N. S. Punn, S. K. Sonbhadra, and S. Agarwal, “Face Mask Detection using Transfer Learning of InceptionV3,” Sep. 2020, doi: 10.1007/978-3-030-66665-1_6.
R. Chiragkumar Shah and R. Jignesh Shah, “Detection of Face Mask using Convolutional Neural Network.” [Online]. Available: https://doi.org/10.11
Y. Liu, B. Lu, J. Peng, and Z. Zhang, “Research on the Use of YOLOv5 Object Detection Algorithm in Mask Wearing Recognition,” World Scientific Research Journal, vol. 6, p. 2020, doi: 10.6911/WSRJ.202011_6(11).0038.
D. Giancini, E. Yulia Puspaningrum, Y. Vita Via, U. Pembangunan Nasional, and J. Timur, “Seminar Nasional Informatika Bela Negara (SANTIKA) Identifikasi Penggunaan Masker Menggunakan Algoritma CNN YOLOv3-Tiny”.
Z. Cao, M. Shao, L. Xu, S. Mu, and H. Qu, “Maskhunter: Real-time object detection of face masks during the COVID-19 pandemic,” IET Image Processing, vol. 14, no. 16, Dec. 2020, doi: 10.1049/iet-ipr.2020.1119.
K. Nithiyasree and T. Kavitha B A Student, “Face Mask Detection in Classroom using Deep Convolutional Neural Network,” 2021.
J. Yao, J. Qi, J. Zhang, H. Shao, J. Yang, and X. Li, “A real-time detection algorithm for kiwifruit defects based on yolov5,” Electronics (Switzerland), vol. 10, no. 14, Jul. 2021, doi: 10.3390/electronics10141711.
J. Ieamsaard, S. N. Charoensook, and S. Yammen, “Deep Learning-based Face Mask Detection Using YoloV5,” in Proceeding of the 2021 9th International Electrical Engineering Congress, iEECON 2021, Mar. 2021, pp. 428–431. doi: 10.1109/iEECON51072.2021.9440346.
F. Zhou, H. Zhao, and Z. Nie, “Safety Helmet Detection Based on YOLOv5,” in Proceedings of 2021 IEEE International Conference on Power Electronics, Computer Applications, ICPECA 2021, Jan. 2021, pp. 6–11. doi: 10.1109/ICPECA51329.2021.9362711.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection.” [Online]. Available: http://pjreddie.com/yolo/
J. Redmon and A. Farhadi, “YOLO9000: Better, Faster, Stronger,” Dec. 2016, [Online]. Available: http://arxiv.org/abs/1612.08242
J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” Apr. 2018, [Online]. Available: http://arxiv.org/abs/1804.02767
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” Apr. 2020, [Online]. Available: http://arxiv.org/abs/2004.10934
M. Harahap, L. Kusuma, M. Suryani, C. E. Situmeang, and J. F. Purba, “Identification of Face Mask With YOLOv4 Based on Outdoor Video,” SinkrOn, vol. 6, no. 1, pp. 127–134, Oct. 2021, doi: 10.33395/sinkron.v6i1.11190.
J. Yan, H. Wang, M. Yan, W. Diao, X. Sun, and H. Li, “IoU-adaptive deformable R-CNN: Make full use of IoU for multi-class object detection in remote sensing imagery,” Remote Sensing, vol. 11, no. 3, Feb. 2019, doi: 10.3390/rs11030286.
G. Jocher.(2021, 1 April). Tips For Best Training Results. Diakses 1 Juni 2022 dari https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Training-Results
H. Kumar.(2019, 20 September). Evaluation metrics for object detection and segmentation: mAP. Diakses 26 Juli 2022 dari https://kharshit.github.io/blog/2019/09/20/evaluation-metrics-for-object-detection-and-segmentation
