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).
Applications=. Foundations and Trends_ in Signal
Processing, 7(3-4), 197-387.
-doi.org/10.1561/2000000039 (accessed Jun. 20,
.
Diwan, T., Anirudh, G., & Tembhurne, J. V. (2022).
successors, datasets and applications=. Multimedia Tools
and Applications. -doi.org/10.1007/s11042-022-
-y (accessed Jun. 20, 2023).
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A.
(2016).
Object Detection=. Proceedings of the IEEE Conference
on Computer Vision and Pattern Recognition, 779-788.
-pjreddie.com/yolo/ (accessed Jun. 20, 2023).
Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2022).
-arxiv.org/abs/2207.02696 (accessed Jun. 20,
.
Jocher, G. (2023).
-ultralytics.com/yolov8 (accessed Jun. 20, 2023).
Isikdag, U. (2015).
Computers <(pp. 43-53). -doi.org/10.1007/978-3-
-21825-0_4 (accessed Jun. 20, 2023).
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).
Low Power Single Board Computers= (pp. 59-70).
-doi.org/10.1007/978-3-030-20984-1_6 (accessed
Jun. 21, 2023).
Cass, S. (2020).
Jetson nano packs a lot of machine-learning power into
DIY projects - [Hands on]=. IEEE Spectrum, 57(7), 14-
-doi.org/10.1109/MSPEC.2020.9126102
(accessed Jun. 21, 2023).
Ullah, S., & Kim, D.-H. (2020).
Platform for 3D Point-Cloud and Hyper-Spectral Image
Classification= 2020 IEEE International Conference on
Big Data and Smart Computing (BigComp), 477-482.
-doi.org/10.1109/BigComp48618.2020.00-21
(accessed Jun. 21, 2023).
Buck, I. (2007).
CUDA=. ACM SIGGRAPH 2007 Courses, 6.
-doi.org/10.1145/1281500.1281647 (accessed Jun.
, 2023).
NVIDIA Autonomous Machines. (2023a).
Developer Kit=. -Developer.Nvidia.Com.
-developer.nvidia.com/embedded/jetson-nanodeveloper-kit (accessed Jun. 21, 2023).
NVIDIA Autonomous Machines. (2023b).
Xavier NX specification=. Www.Nvidia.Com.
-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).
Faster, Stronger=. (accessed Jun. 22, 2023).
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).
(mAP) Explained: Everything You Need to Know=.
-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)