{"title":"Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4","authors":"Primasdika Yunia Putra, A. Arifianto, Zilvanhisna Emka Fitri, Trismayanti Dwi Puspitasari","doi":"10.33795/jip.v9i2.1243","DOIUrl":null,"url":null,"abstract":"Deteksi kendaraan secara real-time dalam video pengamatan di jalan raya menjadi salah satu topik yang menarik diangkat dalam riset. Mendeteksi truk memiliki tantangan tersendiri karena memiliki kesamaan dimensi dengan bus dan struktur mekanis yang menyerupai pikap. Pendekatan computer vision untuk mendeteksi objek dengan YOLO (You Only Look Once) sangat populer. Dalam penerapannya pada perangkat low-end hingga high-end, varian Tiny-Yolo lebih cocok dikarenakan memiliki struktur yang lebih sederhana. Tiny-Yolo v4 diimplementasikan pada 3 perangkat dengan spesifikasi berbeda, menghasilkan akurasi pengujian 98,2% (13FPS) pada perangkat A, 98% (28FPS) pada perangakt B dan 97,5% (38FPS) pada perangkat C. Pengaruh spesifikasi perangkat keras terhadap perolehan FPS yang didapat dan akurasi pendeteksian ditandai dengan perbedaan hasil yang signifikan pada saat pengujian. Semakin tinggi FPS maka semakin menurun akurasi pendeteksian","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-02-27","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Informatika Polinema","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.33795/jip.v9i2.1243","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Deteksi kendaraan secara real-time dalam video pengamatan di jalan raya menjadi salah satu topik yang menarik diangkat dalam riset. Mendeteksi truk memiliki tantangan tersendiri karena memiliki kesamaan dimensi dengan bus dan struktur mekanis yang menyerupai pikap. Pendekatan computer vision untuk mendeteksi objek dengan YOLO (You Only Look Once) sangat populer. Dalam penerapannya pada perangkat low-end hingga high-end, varian Tiny-Yolo lebih cocok dikarenakan memiliki struktur yang lebih sederhana. Tiny-Yolo v4 diimplementasikan pada 3 perangkat dengan spesifikasi berbeda, menghasilkan akurasi pengujian 98,2% (13FPS) pada perangkat A, 98% (28FPS) pada perangakt B dan 97,5% (38FPS) pada perangkat C. Pengaruh spesifikasi perangkat keras terhadap perolehan FPS yang didapat dan akurasi pendeteksian ditandai dengan perbedaan hasil yang signifikan pada saat pengujian. Semakin tinggi FPS maka semakin menurun akurasi pendeteksian
车辆在公路监控视频中的实时检测成为研究中有趣的话题之一。发现卡车有其独特的挑战,因为它与公共汽车的尺寸相似,与类似皮卡的机械结构相似。用YOLO(你只看一眼)探测物体的计算机方法非常受欢迎。在低端到高端设备的应用中,Tiny-Yolo变体更适用,因为它有一个更简单的结构。Tiny-Yolo v4于三个不同规格的设备,设备上产生98,2%测试准确度(13FPS) A, 98% (28FPS)在perangakt B、97,5% (38FPS) C .影响的设备硬件规格对FPS的习得和准确性检测标记测试时的结果差异显著。FPS越高,检测准确率就越低