Detektor Objek Menggunakan YOLOv7 dan Tensorflow.js

Diposkan oleh Andelz February 25, 2023 Post a Comment

Apakah Anda ingin membuat sebuah detektor objek yang cepat dan akurat untuk digunakan pada proyek Anda? YOLOv7 dan Tensorflow.js adalah solusi yang tepat untuk Anda. Artikel ini akan membahas tentang cara menggunakan YOLOv7 dan Tensorflow.js untuk membuat sebuah detektor objek yang dapat digunakan secara real-time.

Pendahuluan

Deteksi objek adalah salah satu bagian penting dalam bidang computer vision. Hal ini dapat digunakan untuk berbagai keperluan, seperti pada industri otomotif, pengawasan keamanan, dan sebagainya. Salah satu algoritma deteksi objek yang populer adalah YOLO (You Only Look Once). YOLO adalah algoritma yang menggunakan deep neural network untuk melakukan deteksi objek secara cepat dan akurat. YOLOv7 adalah versi terbaru dari algoritma YOLO, yang memiliki performa lebih baik dibandingkan dengan versi sebelumnya.

Tensorflow.js adalah sebuah library JavaScript untuk membuat dan melatih model machine learning di browser atau pada server. Tensorflow.js memiliki kemampuan untuk menjalankan model machine learning secara real-time pada browser. Hal ini memungkinkan penggunaan detektor objek yang dibuat dengan menggunakan YOLOv7 dan Tensorflow.js dapat digunakan pada website atau aplikasi web.

Membuat Model Deteksi Objek

Sebelum membuat detektor objek, pertama-tama harus dibuat sebuah model deteksi objek terlebih dahulu. Berikut adalah langkah-langkah untuk membuat model deteksi objek menggunakan YOLOv7:

1. Mengumpulkan Data

Langkah pertama adalah mengumpulkan data yang dibutuhkan untuk membuat model deteksi objek. Data yang dibutuhkan adalah gambar yang berisi objek yang ingin dideteksi, serta label yang menyatakan kelas dari objek tersebut.

2. Melatih Model

Setelah data dikumpulkan, langkah selanjutnya adalah melatih model deteksi objek. Melatih model dilakukan dengan menggunakan YOLOv7. Setelah model dilatih, maka akan menghasilkan file dengan format ".weights" yang berisi parameter dari model.

3. Mengonversi Model

Setelah model dilatih, langkah selanjutnya adalah mengonversi model tersebut agar dapat digunakan dengan Tensorflow.js. Hal ini dilakukan dengan menggunakan perintah berikut:

scss
python3 convert.py --weights model.weights --output model.tf --input_shape (416,416) --data_format NHWC

Perintah tersebut akan menghasilkan file dengan format ".tf" yang dapat digunakan dengan Tensorflow.js.

Menggunakan Model Deteksi Objek

Setelah model deteksi objek berhasil dibuat, langkah selanjutnya adalah menggunakannya pada website atau aplikasi web. Berikut adalah langkah-langkah untuk menggunakan model deteksi objek menggunakan Tensorflow.js:

1. Memuat Model

Langkah pertama adalah memuat model deteksi objek yang sudah dibuat sebelumnya. Hal ini dilakukan dengan menggunakan perintah berikut:

javascript
const model = await tf.loadLayersModel('model.tf');

2. Mengambil Input Gambar

Setelah model berhasil dimuat, langkah selanjutnya adalah mengambil input gambar

3. Mengolah Input Gambar

Setelah input gambar berhasil diambil, langkah selanjutnya adalah mengolah input gambar agar sesuai dengan format yang diterima oleh model. Hal ini dilakukan dengan menggunakan perintah berikut:

scss
const img = new Image();
img.src = inputImage;
await img.decode();
const imgTensor = tf.browser.fromPixels(img);
const expandedImg = imgTensor.expandDims(0).toFloat().div(tf.scalar(255));

Perintah tersebut akan mengubah input gambar menjadi tensor dan mengubah nilai pixel menjadi nilai antara 0 dan 1.

4. Melakukan Prediksi

Setelah input gambar berhasil diolah, langkah selanjutnya adalah melakukan prediksi menggunakan model deteksi objek. Hal ini dilakukan dengan menggunakan perintah berikut:

javascript
const output = await model.predict(expandedImg);
const boxes = await output[0].array();
const scores = await output[1].array();
const classes = await output[2].array();

Perintah tersebut akan menghasilkan output berupa bounding box, nilai confidence, dan kelas objek dari input gambar.

5. Menampilkan Output

Setelah prediksi berhasil dilakukan, langkah terakhir adalah menampilkan output deteksi objek pada website atau aplikasi web. Hal ini dilakukan dengan menggunakan perintah berikut:

css
const ctx = canvas.getContext('2d');
ctx.drawImage(img, 0, 0, canvas.width, canvas.height);
for (let i = 0; i < boxes.length; i++) {
    const [x, y, width, height] = boxes[i];
    const score = scores[i];
    const clazz = classes[i];
    if (score > 0.5) {
        ctx.beginPath();
        ctx.rect(x, y, width, height);
        ctx.lineWidth = 2;
        ctx.strokeStyle = 'red';
        ctx.stroke();
        ctx.font = '16px Arial';
        ctx.fillStyle = 'red';
        ctx.fillText(`Class ${clazz}: ${score.toFixed(2)}`, x, y - 5);
    }
}

Perintah tersebut akan menampilkan bounding box pada input gambar yang telah diberi label kelas dan nilai confidence.

Kesimpulan

Dalam artikel ini, telah dijelaskan tentang cara menggunakan YOLOv7 dan Tensorflow.js untuk membuat detektor objek yang dapat digunakan secara real-time pada website atau aplikasi web. Dengan menggunakan langkah-langkah yang telah dijelaskan, diharapkan pembaca dapat membuat detektor objek yang cepat dan akurat untuk digunakan pada proyek mereka.

FAQ

Apa itu YOLOv7?

YOLOv7 adalah algoritma deteksi objek yang menggunakan deep neural network untuk melakukan deteksi objek secara cepat dan akurat.

Apa itu Tensorflow.js?

Tensorflow.js adalah sebuah library JavaScript untuk membuat dan melatih model machine learning di browser atau pada server.

Apa saja data yang dibutuhkan untuk membuat model deteksi objek?

Data yang dibutuhkan adalah gambar yang berisi objek yang ingin dideteksi, serta label yang menyatakan kelas dari objek tersebut.

Apakah detektor objek yang dibuat dengan menggunakan YOLOv7 dan Tensorflow.js dapat digunakan secara real-time pada website atau aplikasi web?

Ya, detektor objek yang dibuat dengan menggunakan YOLOv7 dan Tensorflow.js dapat digunakan secara real-time pada website atau aplikasi web karena model yang dihasilkan dapat dijalankan langsung di browser.

Apa keuntungan menggunakan YOLOv7 dan Tensorflow.js dalam pembuatan detektor objek?

Keuntungan menggunakan YOLOv7 dan Tensorflow.js adalah deteksi objek dapat dilakukan secara cepat dan akurat, serta model yang dihasilkan dapat dijalankan langsung di browser tanpa perlu menggunakan server untuk melakukan prediksi.

Apakah YOLOv7 dan Tensorflow.js dapat digunakan untuk deteksi objek pada video?

Ya, YOLOv7 dan Tensorflow.js dapat digunakan untuk deteksi objek pada video dengan melakukan deteksi objek pada setiap frame video.

Apakah YOLOv7 dan Tensorflow.js gratis?

Ya, YOLOv7 dan Tensorflow.js merupakan open-source software yang dapat digunakan secara gratis.

Apa persyaratan sistem untuk menjalankan YOLOv7 dan Tensorflow.js?

Persyaratan sistem untuk menjalankan YOLOv7 dan Tensorflow.js adalah perangkat dengan memori dan prosesor yang cukup, serta browser yang mendukung WebGL.

Guru PNS