{"title":"在车辆号牌检测应用设计中采用 Yolo V5 算法","authors":"B. Nugroho, Yani Prihati, Sinta Tridian Galih","doi":"10.31539/intecoms.v7i3.10376","DOIUrl":null,"url":null,"abstract":"Penelitian ini membahas tentang implementasi algoritma YOLO v5 dalam rancangan aplikasi pendeteksi plat nomor kendaraan. Algoritma YOLO v5 dipilih karena kemampuannya dalam mendeteksi objek dengan cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan sebuah aplikasi yang dapat mendeteksi plat nomor kendaraan secara real-time menggunakan teknologi YOLO v5. Metode yang digunakan meliputi beberapa tahap, yaitu building dataset, training dataset, modeling, dan pembuatan interface aplikasi. Dataset berupa 1050 gambar, training dataset menggunakan 70% data train, 20% data test, dan 10% data valid, diperoleh akurasi sebesar 84%, presisi 92,9%, dan skor F1 sebesar 80%. Modeling menggunakan algoritma YOLOv5. Pembuatan interface aplikasi menggunakan Python Flask.","PeriodicalId":393158,"journal":{"name":"INTECOMS: Journal of Information Technology and Computer Science","volume":" 22","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-06-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Implementasi Algoritma Yolo V5 Dalam Rancangan Aplikasi Pendeteksi Plat Nomor Kendaraan\",\"authors\":\"B. Nugroho, Yani Prihati, Sinta Tridian Galih\",\"doi\":\"10.31539/intecoms.v7i3.10376\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Penelitian ini membahas tentang implementasi algoritma YOLO v5 dalam rancangan aplikasi pendeteksi plat nomor kendaraan. Algoritma YOLO v5 dipilih karena kemampuannya dalam mendeteksi objek dengan cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan sebuah aplikasi yang dapat mendeteksi plat nomor kendaraan secara real-time menggunakan teknologi YOLO v5. Metode yang digunakan meliputi beberapa tahap, yaitu building dataset, training dataset, modeling, dan pembuatan interface aplikasi. Dataset berupa 1050 gambar, training dataset menggunakan 70% data train, 20% data test, dan 10% data valid, diperoleh akurasi sebesar 84%, presisi 92,9%, dan skor F1 sebesar 80%. Modeling menggunakan algoritma YOLOv5. Pembuatan interface aplikasi menggunakan Python Flask.\",\"PeriodicalId\":393158,\"journal\":{\"name\":\"INTECOMS: Journal of Information Technology and Computer Science\",\"volume\":\" 22\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-06-09\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"INTECOMS: Journal of Information Technology and Computer Science\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.31539/intecoms.v7i3.10376\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"INTECOMS: Journal of Information Technology and Computer Science","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31539/intecoms.v7i3.10376","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Implementasi Algoritma Yolo V5 Dalam Rancangan Aplikasi Pendeteksi Plat Nomor Kendaraan
Penelitian ini membahas tentang implementasi algoritma YOLO v5 dalam rancangan aplikasi pendeteksi plat nomor kendaraan. Algoritma YOLO v5 dipilih karena kemampuannya dalam mendeteksi objek dengan cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan sebuah aplikasi yang dapat mendeteksi plat nomor kendaraan secara real-time menggunakan teknologi YOLO v5. Metode yang digunakan meliputi beberapa tahap, yaitu building dataset, training dataset, modeling, dan pembuatan interface aplikasi. Dataset berupa 1050 gambar, training dataset menggunakan 70% data train, 20% data test, dan 10% data valid, diperoleh akurasi sebesar 84%, presisi 92,9%, dan skor F1 sebesar 80%. Modeling menggunakan algoritma YOLOv5. Pembuatan interface aplikasi menggunakan Python Flask.