Penjelasan Deteksi Objek YOLO

Deteksi objek adalah teknik visi komputer untuk mengidentifikasi dan melokalisasi objek di dalam gambar atau video. 

TL;DR

• YOLO (You Only Look Once) adalah algoritma deteksi objek real-time yang memproses gambar dalam satu forward pass, sehingga jauh lebih cepat daripada detektor dua tahap
• Algoritma membagi gambar menjadi grid, memprediksi bounding box dengan skor kepercayaan, dan menggunakan Non-Maximum Suppression untuk menyaring deteksi yang tumpang tindih
• YOLO berevolusi dari v1 (2015) hingga YOLOv10, YOLOv11, YOLOv12, dan YOLO26 (2026), dengan setiap versi meningkatkan kecepatan, akurasi, atau keduanya
• Aplikasi umum mencakup kendaraan otonom, pencitraan kesehatan, pertanian, pengawasan keamanan, dan analitik olahraga
• Instal dengan pip install ultralytics dan jalankan inferensi menggunakan Python API atau CLI

Pelokalan gambar adalah proses mengidentifikasi lokasi yang benar dari satu atau beberapa objek menggunakan bounding box, yaitu bentuk persegi panjang di sekitar objek. Proses ini terkadang disalahartikan sebagai klasifikasi atau pengenalan gambar, yang bertujuan memprediksi kelas sebuah gambar atau objek di dalam gambar ke dalam salah satu kategori atau kelas. 

Ilustrasi di bawah ini menunjukkan representasi visual dari penjelasan sebelumnya. Objek yang terdeteksi dalam gambar adalah “Person”. 

Gambar oleh Penulis

Dalam blog konseptual ini, Anda akan terlebih dahulu memahami manfaat deteksi objek sebelum berkenalan dengan YOLO, algoritma deteksi objek terkini. 

Pada bagian kedua, kita akan lebih berfokus pada algoritma YOLO dan cara kerjanya. Setelah itu, kami akan memberikan beberapa aplikasi dunia nyata menggunakan YOLO. 

Bagian terakhir akan menjelaskan bagaimana YOLO berevolusi dari 2015 hingga 2024 sebelum menyimpulkan langkah berikutnya. 

Apa itu YOLO?

You Only Look Once (YOLO) adalah algoritma deteksi objek real-time mutakhir yang diperkenalkan pada 2015 oleh Joseph Redmon, Santosh Divvala, Ross Girshick, dan Ali Farhadi dalam paper riset mereka yang terkenal You Only Look Once: Unified, Real-Time Object Detection. 

Para penulis memformulasikan masalah deteksi objek sebagai regresi alih-alih tugas klasifikasi dengan memisahkan secara spasial bounding box dan mengaitkan probabilitas untuk setiap gambar yang terdeteksi menggunakan satu convolutional neural network (CNN).

Jika Anda tertarik pada klasifikasi gambar, pertimbangkan untuk mengambil kursus Image Modeling with Keras in Python, di mana Anda akan membangun jaringan saraf dalam berbasis Keras untuk tugas klasifikasi gambar. Jika Anda lebih tertarik pada Pytorch, Deep Learning with PyTorch akan mengajarkan tentang convolutional neural networks dan cara menggunakannya untuk membangun model yang jauh lebih kuat.

Apa yang Membuat YOLO Populer untuk Deteksi Objek?

Beberapa alasan mengapa YOLO memimpin persaingan meliputi:

• Kecepatan 
• Akurasi deteksi 
• Generalisasi yang baik 
• Sumber terbuka

Mari kita lihat fitur-fitur ini lebih detail.

1. Kecepatan

YOLO sangat cepat karena tidak menggunakan pipeline yang kompleks. Ia dapat memproses gambar pada 45 Frames Per Second (FPS). Selain itu, YOLO mencapai mean Average Precision (mAP) lebih dari dua kali lipat dibandingkan sistem real-time lainnya, sehingga menjadi kandidat hebat untuk pemrosesan real-time. 

Dari grafik di bawah, kita melihat bahwa YOLO jauh melampaui detektor objek lainnya dengan 91 FPS.

Kecepatan YOLO dibandingkan detektor objek terkini lainnya (sumber)

2. Akurasi deteksi tinggi

YOLO unggul dibandingkan model mutakhir lainnya dalam akurasi, dengan sangat sedikit kesalahan latar belakang. 

3. Generalisasi lebih baik

Ini terutama berlaku untuk versi YOLO yang lebih baru, yang akan dibahas nanti dalam artikel. Dengan kemajuan tersebut, YOLO melangkah lebih jauh dengan memberikan generalisasi yang lebih baik untuk domain baru, sehingga sangat cocok untuk aplikasi yang mengandalkan deteksi objek yang cepat dan andal. 

Misalnya, paper Automatic Detection of Melanoma with Yolo Deep Convolutional Neural Networks menunjukkan bahwa versi pertama, YOLOv1, memiliki mAP terendah untuk deteksi otomatis penyakit melanoma dibandingkan YOLOv2 dan YOLOv3.

4. Sumber terbuka 

Dibukanya YOLO sebagai open-source membuat komunitas terus-menerus meningkatkan model. Ini adalah salah satu alasan mengapa YOLO mengalami begitu banyak peningkatan dalam waktu yang terbatas. 

Arsitektur YOLO

Arsitektur YOLO mirip dengan GoogleNet. Seperti yang diilustrasikan di bawah, ia memiliki 24 convolutional layer, empat max-pooling layer, dan dua fully connected layer.

Arsitektur YOLO dari paper asli (Dimodifikasi oleh Penulis)

Arsitektur bekerja sebagai berikut:

• Mengubah ukuran gambar input menjadi 448x448 sebelum masuk ke jaringan konvolusional.
• Konvolusi 1x1 terlebih dahulu diterapkan untuk mengurangi jumlah kanal, diikuti konvolusi 3x3 untuk menghasilkan keluaran berbentuk kuboid.
• Fungsi aktivasi yang digunakan adalah ReLU, kecuali layer terakhir yang menggunakan fungsi aktivasi linear.
• Beberapa teknik tambahan seperti batch normalization dan dropout melakukan regularisasi model dan mencegah overfitting.

Dengan menyelesaikan track Deep Learning in Python atau PyTorch CNN Tutorial, Anda akan siap menggunakan Keras untuk melatih dan menguji jaringan multi-output yang kompleks dan menyelami deep learning lebih dalam.

Bagaimana Deteksi Objek YOLO Bekerja?

Sekarang Anda memahami arsitekturnya, mari ambil gambaran tingkat tinggi tentang bagaimana algoritma YOLO melakukan deteksi objek menggunakan contoh sederhana.

“Bayangkan Anda membuat aplikasi YOLO yang mendeteksi pemain dan bola sepak dari sebuah gambar. 

Tetapi bagaimana Anda menjelaskan proses ini kepada seseorang, terutama yang belum berpengalaman?

 → Itulah inti dari bagian ini. Anda akan memahami keseluruhan proses bagaimana YOLO melakukan deteksi objek dan bagaimana mendapatkan gambar (B) dari gambar (A).”

Gambar oleh Penulis

Algoritma bekerja berdasarkan empat pendekatan berikut: 

• Residual block
• Regresi bounding box
• Intersection Over Union atau disingkat IOU
• Non-Maximum Suppression. 

Mari kita lihat lebih dekat masing-masing. 

1. Residual block

Langkah pertama ini dimulai dengan membagi gambar asli (A) menjadi sel-sel grid NxN dengan bentuk yang sama, di mana N, dalam kasus kita, adalah 4, seperti terlihat pada gambar sebelah kanan. Setiap sel dalam grid bertanggung jawab untuk melokalisasi dan memprediksi kelas objek yang dicakupnya, beserta nilai probabilitas/kepercayaan. 

Gambar oleh Penulis

2. Regresi bounding box

Langkah berikutnya adalah menentukan bounding box berupa persegi panjang yang menyoroti semua objek dalam gambar. Kita dapat memiliki sebanyak mungkin bounding box sesuai jumlah objek dalam gambar tertentu. 

YOLO menentukan atribut bounding box ini menggunakan satu modul regresi dalam format berikut, di mana Y adalah representasi vektor final untuk setiap bounding box. 

Y = [pc, bx, by, bh, bw, c1, c2]

Ini sangat penting selama fase pelatihan model.

• pc berkaitan dengan skor probabilitas sel grid yang mengandung objek. Misalnya, semua grid berwarna merah akan memiliki skor probabilitas lebih besar dari nol. Gambar di kanan adalah versi yang disederhanakan karena probabilitas setiap sel kuning adalah nol (tidak signifikan). 

Gambar oleh Penulis

• bx, by adalah koordinat x dan y dari pusat bounding box relatif terhadap sel grid pembungkusnya. 
• bh, bw adalah tinggi dan lebar bounding box relatif terhadap sel grid pembungkusnya. 
• c1 dan c2 berkaitan dengan dua kelas, Pemain dan Bola. Kita dapat memiliki sebanyak mungkin kelas sesuai kebutuhan kasus penggunaan Anda. 

Untuk memahami, mari perhatikan lebih dekat pemain di kanan bawah. 

Gambar oleh Penulis

3. Intersection Over Union atau IOU

Sering kali, satu objek dalam gambar dapat memiliki beberapa kandidat grid box untuk prediksi, meskipun tidak semuanya relevan. Tujuan IOU (nilai antara 0 dan 1) adalah membuang grid box tersebut untuk hanya menyimpan yang relevan. Berikut logikanya: 

• Pengguna menentukan ambang seleksi IOU, misalnya 0,5. 
• Lalu, YOLO menghitung IOU setiap sel grid, yaitu luas irisan dibagi luas gabungan. 
• Terakhir, mengabaikan prediksi sel grid dengan IOU ≤ ambang dan mempertimbangkan yang IOU > ambang. 

Di bawah ini adalah ilustrasi penerapan proses seleksi grid pada objek kiri bawah. Kita dapat melihat bahwa objek tersebut awalnya memiliki dua kandidat grid, dan hanya “Grid 2” yang dipilih pada akhirnya. 

Gambar oleh Penulis

4. Non-Max Suppression atau NMS

Menetapkan ambang IOU tidak selalu cukup karena sebuah objek bisa memiliki beberapa kotak dengan IOU di atas ambang, dan membiarkan semua kotak tersebut dapat menambah noise. Di sinilah kita dapat menggunakan NMS untuk hanya menyimpan kotak dengan skor probabilitas deteksi tertinggi. 

Aplikasi YOLO

Deteksi objek YOLO memiliki berbagai aplikasi dalam kehidupan sehari-hari. Pada bagian ini, kita akan membahas beberapa di antaranya di bidang: kesehatan, pertanian, pengawasan keamanan, dan mobil tanpa pengemudi.

Deteksi objek telah diperkenalkan di banyak industri praktis, seperti kesehatan dan pertanian. Mari kita pahami masing-masing dengan contoh spesifik. 

Kesehatan

Khususnya dalam bedah, bisa menantang untuk melokalisasi organ secara real-time karena keragaman biologis antar pasien. Kidney Recognition in CT menggunakan YOLOv3 untuk memudahkan pelokalan ginjal dalam 2D dan 3D dari pemindaian computerized tomography (CT). 

Kursus Biomedical Image Analysis in Python dapat membantu Anda mempelajari dasar-dasar menjelajah, memanipulasi, dan mengukur data citra biomedis menggunakan Python.  

Deteksi ginjal 2D oleh YOLOv3 (Gambar dari Kidney Recognition in CT using YOLOv3)

Pertanian

Kecerdasan Buatan dan robotika berperan besar dalam pertanian modern. Robot panen adalah robot berbasis visi yang diperkenalkan untuk menggantikan pemetikan buah dan sayur secara manual. Salah satu model terbaik di bidang ini menggunakan YOLO. Dalam Tomato detection based on a modified YOLOv3 framework, para penulis menjelaskan bagaimana mereka menggunakan YOLO untuk mengidentifikasi jenis buah dan sayuran guna panen yang efisien. 

Gambar dari Tomato detection based on modified YOLOv3 framework (sumber)

Pengawasan keamanan

Meskipun deteksi objek paling sering digunakan dalam pengawasan keamanan, itu bukan satu-satunya aplikasi. YOLOv3 telah digunakan selama pandemi COVID-19 untuk memperkirakan pelanggaran jarak sosial antar orang. 

Anda dapat membaca lebih lanjut topik ini di A deep-learning-based social distance monitoring framework for COVID-19. 

Mobil tanpa pengemudi

Deteksi objek real-time adalah bagian dari DNA sistem kendaraan otonom. Integrasi ini penting bagi kendaraan otonom karena mereka perlu mengidentifikasi jalur yang benar serta semua objek dan pejalan kaki di sekitarnya untuk meningkatkan keselamatan jalan. Aspek real-time YOLO menjadikannya kandidat yang lebih baik dibandingkan pendekatan segmentasi gambar sederhana. 

Evolusi YOLO: Dari 2015 hingga 2024

Sejak rilis pertama pada 2015, YOLO telah berkembang pesat, dengan berbagai versi. Pada bagian ini, kita akan memahami perbedaan antar versi tersebut.

YOLO atau YOLOv1: Titik awal

Versi pertama YOLO merupakan game changer untuk deteksi objek karena dapat mengenali objek dengan cepat dan efisien. 

Namun, seperti banyak solusi lainnya, versi pertama YOLO memiliki keterbatasannya sendiri: 

• Kesulitan mendeteksi gambar berukuran kecil dalam sekelompok gambar, seperti sekelompok orang di stadion. Ini karena setiap grid dalam arsitektur YOLO dirancang untuk deteksi objek tunggal. 
• Kemudian, YOLO tidak mampu mendeteksi bentuk baru atau tidak biasa dengan baik. 
• Terakhir, fungsi loss yang digunakan untuk memperkirakan kinerja deteksi memperlakukan kesalahan yang sama untuk bounding box kecil dan besar, yang pada kenyataannya menciptakan pelokalan yang tidak tepat. 

YOLOv2 atau YOLO9000

YOLOv2 dibuat pada 2016 dengan tujuan membuat model YOLO lebih baik, lebih cepat, dan lebih kuat.

Peningkatan mencakup, namun tidak terbatas pada, penggunaan Darknet-19 sebagai arsitektur baru, batch normalization, resolusi input lebih tinggi, convolution layer dengan anchor, pengelompokan dimensi, dan (5) fitur butiran halus (fine-grained). 

Batch normalization 

Penambahan layer batch normalization meningkatkan kinerja sebesar 2% mAP. Batch normalization ini menyertakan efek regularisasi, mencegah overfitting. 

Resolusi input lebih tinggi

YOLOv2 langsung menggunakan input resolusi lebih tinggi 448×448 alih-alih 224×224, yang membuat model menyesuaikan filternya agar bekerja lebih baik pada gambar beresolusi lebih tinggi. Pendekatan ini meningkatkan akurasi sebesar 4% mAP, setelah dilatih selama 10 epoch pada data ImageNet. 

Convolution layer menggunakan anchor box

Alih-alih memprediksi koordinat tepat bounding box objek seperti pada YOLOv1, YOLOv2 menyederhanakan masalah dengan mengganti fully connected layer dengan anchor box. Pendekatan ini sedikit menurunkan akurasi tetapi meningkatkan recall model sebesar 7%, yang memberi ruang untuk peningkatan.

Pengelompokan dimensi

YOLOv2 secara otomatis menemukan anchor box yang disebutkan sebelumnya menggunakan k-means dimensionality clustering dengan k=5 alih-alih melakukan pemilihan manual. Pendekatan baru ini memberikan pertukaran yang baik antara recall dan presisi model.

Untuk pemahaman yang lebih baik tentang k-means dimensionality clustering, lihat tutorial kami K-Means Clustering in Python with scikit-learn dan K-Means Clustering in R. Keduanya membahas konsep k-means clustering menggunakan Python dan R. 

Fitur butiran halus

Prediksi YOLOv2 menghasilkan peta fitur 13x13, yang tentu saja cukup untuk deteksi objek besar. Tetapi untuk deteksi objek yang lebih halus, arsitektur dapat dimodifikasi dengan mengubah peta fitur 26 × 26 × 512 menjadi 13 × 13 × 2048, lalu digabungkan dengan fitur asli. Pendekatan ini meningkatkan kinerja model sebesar 1%. 

YOLOv3: Peningkatan inkremental 

Peningkatan inkremental dilakukan pada YOLOv2 untuk menciptakan YOLOv3. 

Perubahan terutama mencakup arsitektur jaringan baru: Darknet-53. Ini adalah jaringan saraf 106 layer, dengan jaringan upsampling dan residual block. Jauh lebih besar, lebih cepat, dan lebih akurat dibandingkan Darknet-19, yang merupakan backbone YOLOv2. Arsitektur baru ini bermanfaat di banyak aspek:

Prediksi bounding box yang lebih baik

Model regresi logistik digunakan oleh YOLOv3 untuk memprediksi objectness score tiap bounding box. 

Prediksi kelas lebih akurat 

Alih-alih menggunakan softmax seperti pada YOLOv2, pengklasifikasi logistik independen diperkenalkan untuk memprediksi kelas bounding box secara akurat. Ini berguna saat menghadapi domain yang lebih kompleks dengan label yang tumpang tindih (mis. Person → Soccer Player). Menggunakan softmax akan membatasi setiap kotak memiliki satu kelas, yang tidak selalu benar.

Prediksi lebih akurat di berbagai skala

YOLOv3 melakukan tiga prediksi pada skala berbeda untuk setiap lokasi dalam gambar input untuk membantu upsampling dari layer sebelumnya. Strategi ini memungkinkan diperolehnya informasi semantik yang lebih halus dan bermakna untuk kualitas output yang lebih baik. 

YOLOv4: Kecepatan dan akurasi optimal untuk deteksi objek

Versi YOLO ini memiliki Kecepatan dan Akurasi Optimal untuk Deteksi Objek dibandingkan semua versi sebelumnya dan detektor objek mutakhir lainnya. 

Gambar di bawah menunjukkan YOLOv4 mengungguli YOLOv3 dan FPS dalam hal kecepatan masing-masing sebesar 10% dan 12%. 

Kecepatan YOLOv4 dibandingkan YOLOv3 dan detektor objek mutakhir lainnya (sumber)

YOLOv4 dirancang khusus untuk sistem produksi dan dioptimalkan untuk komputasi paralel. 

Backbone arsitektur YOLOv4 adalah CSPDarknet53, jaringan yang berisi 29 convolution layer dengan filter 3 × 3 dan sekitar 27,6 juta parameter. 

Dibandingkan YOLOv3, arsitektur ini menambahkan hal berikut untuk deteksi objek yang lebih baik: 

• Blok Spatial Pyramid Pooling (SPP) secara signifikan meningkatkan receptive field, memisahkan fitur konteks paling relevan, dan tidak memengaruhi kecepatan jaringan. 
• Alih-alih Feature Pyramid Network (FPN) yang digunakan di YOLOv3, YOLOv4 menggunakan PANet untuk agregasi parameter dari berbagai level deteksi. 
• Augmentasi data menggunakan teknik mosaic yang menggabungkan empat gambar pelatihan selain pendekatan pelatihan adversarial mandiri. 
• Melakukan pemilihan hyper-parameter optimal menggunakan algoritma genetika. 

YOLOR: You Only Look One Representation

Sebagai Jaringan Terpadu untuk Banyak Tugas, YOLOR didasarkan pada jaringan terpadu yang merupakan kombinasi pendekatan pengetahuan eksplisit dan implisit.

Arsitektur jaringan terpadu (sumber)

Pengetahuan eksplisit adalah pembelajaran normal atau sadar. Pembelajaran implisit di sisi lain dilakukan secara bawah sadar (dari pengalaman).

Menggabungkan dua teknik ini, YOLOR mampu menciptakan arsitektur yang lebih tangguh berdasarkan tiga proses: (1) penyelarasan fitur, (2) penyelarasan prediksi untuk deteksi objek, dan (3) representasi kanonik untuk pembelajaran multi-tugas

Prediction alignment

Pendekatan ini memperkenalkan representasi implisit ke dalam peta fitur dari setiap feature pyramid network (FPN), yang meningkatkan presisi sekitar 0,5%. 

Perbaikan prediksi untuk deteksi objek

Prediksi model disempurnakan dengan menambahkan representasi implisit ke layer output jaringan. 

Representasi kanonik untuk pembelajaran multi-tugas

Melakukan pelatihan multi-tugas memerlukan eksekusi optimisasi bersama pada fungsi loss yang dibagi di semua tugas. Proses ini dapat menurunkan kinerja keseluruhan model, dan masalah ini dapat dikurangi dengan integrasi representasi kanonik selama pelatihan model. 

Dari grafik berikut, kita dapat mengamati bahwa YOLOR mencapai MS COCO kecepatan inferensi terkini dibandingkan model lain.

Kinerja YOLOR vs. YOLOv4 dan model lain (sumber)

YOLOX: Melampaui seri YOLO pada 2021

Ini menggunakan baseline yang merupakan versi modifikasi dari YOLOv3, dengan Darknet-53 sebagai backbone.

Dipublikasikan dalam paper Exceeding YOLO Series in 2021, YOLOX menghadirkan empat karakteristik kunci berikut untuk menciptakan model yang lebih baik dibandingkan versi sebelumnya.

Kepala terlepas (decoupled head) yang efisien

Kepala terkopel yang digunakan pada versi YOLO sebelumnya terbukti mengurangi kinerja model. YOLOX menggunakan decoupled head, yang memisahkan tugas klasifikasi dan lokalisasi, sehingga meningkatkan kinerja model. 

Augmentasi data yang tangguh

Integrasi Mosaic dan MixUp ke dalam pendekatan augmentasi data secara signifikan meningkatkan kinerja YOLOX.  

Sistem tanpa anchor

 Algoritma berbasis anchor melakukan pengelompokan di balik layar, yang meningkatkan waktu inferensi. Menghapus mekanisme anchor pada YOLOX mengurangi jumlah prediksi per gambar, dan secara signifikan meningkatkan waktu inferensi. 

SimOTA untuk penugasan label

Alih-alih menggunakan pendekatan intersection over union (IoU), penulis memperkenalkan SimOTA, strategi penugasan label yang lebih tangguh yang mencapai hasil mutakhir dengan tidak hanya mengurangi waktu pelatihan tetapi juga menghindari masalah hyperparameter tambahan. Selain itu, meningkatkan mAP deteksi sebesar 3%.

YOLOv5

Dibandingkan versi lain, YOLOv5 tidak memiliki paper riset yang dipublikasikan, dan ini adalah versi YOLO pertama yang diimplementasikan di Pytorch, bukan Darknet. 

Dirilis oleh Glenn Jocher pada Juni 2020, YOLOv5, mirip dengan YOLOv4, menggunakan CSPDarknet53 sebagai backbone arsitekturnya. Rilis ini mencakup lima ukuran model berbeda: YOLOv5s (terkecil), YOLOv5m, YOLOv5l, dan YOLOv5x (terbesar).

Salah satu peningkatan besar pada arsitektur YOLOv5 adalah integrasi Focus layer, yang direpresentasikan oleh satu layer, diciptakan dengan mengganti tiga layer pertama YOLOv3. Integrasi ini mengurangi jumlah layer dan parameter serta meningkatkan kecepatan forward dan backward tanpa dampak besar pada mAP. 

Ilustrasi berikut membandingkan waktu pelatihan antara YOLOv4 dan YOLOv5s.

Perbandingan waktu pelatihan antara YOLOv4 dan YOLOv5 (sumber)

YOLOv6: Kerangka deteksi objek satu tahap untuk aplikasi industri

Didedikasikan untuk aplikasi industri dengan desain efisien yang ramah perangkat keras dan performa tinggi, kerangka YOLOv6 (MT-YOLOv6) dirilis oleh Meituan, perusahaan e-commerce Tiongkok. 

Ditulis dalam Pytorch, versi baru ini bukan bagian dari YOLO resmi tetapi tetap mendapatkan nama YOLOv6 karena backbone-nya terinspirasi dari arsitektur YOLO satu tahap asli. 

YOLOv6 memperkenalkan tiga peningkatan signifikan terhadap YOLOv5 sebelumnya: backbone dan neck yang ramah perangkat keras, decoupled head yang efisien, dan strategi pelatihan yang lebih efektif.

YOLOv6 memberikan hasil luar biasa dibandingkan versi YOLO sebelumnya dalam hal akurasi dan kecepatan pada dataset COCO seperti yang diilustrasikan di bawah.

Perbandingan detektor objek efisien mutakhir. Semua model diuji dengan TensorRT 7 kecuali model terkuantisasi menggunakan TensorRT 8 (sumber)

• YOLOv6-N mencapai 35,9% AP pada dataset COCO dengan throughput 1234 FPS pada GPU NVIDIA Tesla T4.
• YOLOv6-S mencapai rekor baru 43,3% AP pada 869 FPS.
• YOLOv6-M dan YOLOv6-L juga mencapai kinerja akurasi lebih baik masing-masing 49,5% dan 52,3% dengan kecepatan inferensi yang sama. 

Semua karakteristik ini menjadikan YOLOv6 algoritme yang tepat untuk aplikasi industri.

YOLOv7: Trainable bag-of-freebies dan standar baru untuk detektor objek real-time

YOLOv7 dirilis pada Juli 2022 dalam paper Trained bag-of-freebies sets new state-of-the-art for real-time object detectors. Versi ini membuat lompatan signifikan di bidang deteksi objek, dan melampaui semua model sebelumnya dalam hal akurasi dan kecepatan.

Perbandingan waktu inferensi YOLOv7 dengan detektor objek real-time lainnya (sumber)

YOLOv7 melakukan perubahan besar pada (1) arsitektur dan (2) pada tingkat Trainable bag-of-freebies:

Tingkat arsitektural

YOLOv7 mereformasi arsitekturnya dengan mengintegrasikan Extended Efficient Layer Aggregation Network (E-ELAN) yang memungkinkan model mempelajari fitur yang lebih beragam untuk pembelajaran yang lebih baik. 

Selain itu, YOLOv7 melakukan penskalaan arsitektur dengan menggabungkan arsitektur model asalnya seperti YOLOv4, Scaled YOLOv4, dan YOLO-R. Ini memungkinkan model memenuhi kebutuhan berbagai kecepatan inferensi.

Penskalaan majemuk kedalaman dan lebar untuk model berbasis konkatenasi (sumber)

Trainable bag-of-freebies

Istilah bag-of-freebies mengacu pada peningkatan akurasi model tanpa meningkatkan biaya pelatihan, dan inilah alasan mengapa YOLOv7 meningkatkan tidak hanya kecepatan inferensi tetapi juga akurasi deteksi.

YOLOv8: Memperluas modularitas dan fleksibilitas

YOLOv8 memperkenalkan desain yang lebih modular dan fleksibel, memungkinkan kustomisasi dan fine-tuning yang lebih mudah. Dukungan bawaan untuk berbagai tugas di luar deteksi objek, seperti segmentasi dan estimasi pose.

• Model ringan semakin mengoptimalkan kompromi kecepatan dan akurasi, dengan ukuran model lebih kecil yang ditujukan untuk aplikasi real-time pada perangkat edge.
• Menambahkan dukungan untuk data kustom agar mudah diintegrasikan dengan dataset khusus, menjadikannya serbaguna untuk aplikasi spesifik.
• YOLOv8 juga menambah API baru untuk memudahkan deployment dan manajemen model di lingkungan produksi.

YOLO-NAS (Neural Architecture Search): Mengoptimalkan arsitektur

YOLO-NAS memanfaatkan Neural Architecture Search (NAS) untuk secara otomatis merancang arsitektur yang dioptimalkan, memaksimalkan kinerja tanpa penyetelan manual.

• Dirancang untuk keseimbangan optimal antara kinerja dan penggunaan sumber daya, cocok untuk model berakurasi tinggi maupun aplikasi latensi rendah.
• Secara otomatis menyesuaikan resolusi untuk objek berbeda dalam sebuah gambar, semakin mengoptimalkan proses inferensi.

YOLOv9: Teknik terobosan untuk deteksi objek real-time

YOLO-World: Zero-Shot Object Detection

YOLO-World, dikembangkan oleh Tencent's AI Lab, memperkenalkan paradigma baru: "prompt lalu deteksi." Berbeda dengan model YOLO tradisional yang memerlukan pelatihan pada kelas objek spesifik, YOLO-World dapat mendeteksi objek berdasarkan prompt teks tanpa fine-tuning.

Kemampuan zero-shot ini menghilangkan kebutuhan encoding teks just-in-time, mencapai hingga 74,1 FPS pada GPU V100. YOLO-World sangat berguna ketika Anda perlu mendeteksi objek kustom tanpa mengumpulkan data pelatihan.

Dirilis pada 2024, versi v9 YOLO memperkenalkan beberapa teknik inovatif, seperti berikut:

• Programmable Gradient Information (PGI): Teknik baru yang mengoptimalkan aliran gradien selama pelatihan, meningkatkan kemampuan model untuk belajar dari dataset kompleks secara lebih efisien.
• Generalized Efficient Layer Aggregation Network (GELAN): Peningkatan arsitektural signifikan yang semakin meningkatkan pembelajaran dan agregasi fitur, berkontribusi pada peningkatan akurasi dan kecepatan.

YOLOv9 menetapkan tolok ukur baru pada dataset MS COCO, menunjukkan kinerja unggul dibandingkan versi sebelumnya, terutama dalam hal presisi dan adaptabilitas lintas berbagai tugas. Meskipun dikembangkan oleh tim open-source terpisah, YOLOv9 dibangun di atas codebase Ultralytics YOLOv5, menunjukkan upaya kolaboratif komunitas AI untuk mendorong batas deteksi objek.

Versi terbaru ini menyoroti kemajuan substansial baik dalam proses pelatihan maupun arsitektur, dengan fokus pada efisiensi, adaptabilitas, dan presisi untuk aplikasi real-time.

YOLOv10: Deteksi Objek Real-Time Tanpa NMS

Dirilis pada Mei 2024 oleh peneliti dari Universitas Tsinghua, YOLOv10 merepresentasikan kemajuan signifikan dalam deteksi objek real-time. Inovasi kuncinya adalah penghapusan Non-Maximum Suppression (NMS) saat inferensi, yang secara tradisional menambah latensi pada pipeline deteksi.

YOLOv10 memperkenalkan penugasan ganda yang konsisten untuk pelatihan tanpa NMS, menggabungkan penugasan label one-to-many dan one-to-one. Pendekatan ini mempertahankan efisiensi pelatihan sambil memungkinkan inferensi tanpa NMS. Menurut paper-nya, YOLOv10-S 1,8× lebih cepat daripada RT-DETR-R18 dengan akurasi serupa, sambil menggunakan 2,8× lebih sedikit parameter.

YOLOv11: Modularitas yang Ditingkatkan dan Dukungan Multi-Tugas

Dikembangkan oleh Ultralytics (pencipta YOLOv5 dan YOLOv8), YOLOv11 mendukung banyak tugas visi komputer: deteksi objek, segmentasi instance, klasifikasi gambar, deteksi keypoint, dan oriented bounding box (OBB). Model YOLOv11x mencapai 54,7% mAP pada benchmark MS COCO.

YOLOv12: Arsitektur Berbasis Atensi

YOLOv12 memperkenalkan mekanisme atensi ke dalam arsitektur YOLO, meningkatkan kemampuan model untuk memfokuskan pada wilayah gambar yang relevan. Versi ini mencapai akurasi lebih baik pada skena kompleks dengan objek yang tumpang tindih sambil mempertahankan performa real-time.

YOLO26: Evolusi Terbaru (2026)

YOLO26, dirilis pada Januari 2026 oleh Ultralytics, adalah model end-to-end yang dioptimalkan untuk edge dan mendukung lima tugas inti: deteksi objek, segmentasi instance, estimasi pose, deteksi objek berorientasi (OBB), dan klasifikasi gambar. Ini mencapai akurasi tertinggi dalam lini YOLO sambil mempertahankan kecepatan inferensi yang cepat.

YOLO26 menawarkan beberapa ukuran model (Nano, Small, Medium, Large, Extra Large) untuk menyeimbangkan akurasi dan kecepatan pada berbagai skenario deployment. Instal dan gunakan dengan:

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26m.pt")

# Run inference
results = model("image.jpg")
results[0].show()

Kesimpulan

Artikel ini telah membahas manfaat YOLO dibandingkan algoritma deteksi objek mutakhir lainnya, serta evolusinya dari 2015 hingga 2026 dengan menyoroti peningkatan utamanya. 

Mengingat kemajuan YOLO yang cepat, tidak diragukan lagi bahwa ia akan tetap menjadi pemimpin di bidang deteksi objek untuk waktu yang sangat lama. 

Langkah berikutnya dari artikel ini adalah penerapan algoritma YOLO pada kasus dunia nyata. Sampai saat itu, kursus Introduction to Deep Learning in Python kami dapat membantu Anda mempelajari dasar-dasar jaringan saraf dan cara membangun model deep learning menggunakan Keras 2.0 di Python.