Implementasi Computer Vision dengan Metode YOLOv4- tiny untuk Transaksi Toko Retail Berbasis Mobile

Kemajuan komputasi pada gawai sudah jauh lebih canggih sehingga dapat digunakan untuk deteksi objek yang membutuhkan banyak kekuatan pemrosesan. TensorFlow Lite digunakan untuk menjalankan model pada perangkat seluler dengan cepat dan nyaman. Jaringan YOLO dipilih karena kinerjanya lebih baik daripada jaringan sejenis lainnya dalam hal kecepatan dan akurasi. Mie instan, sapu, wajan, dan susu merupakan barang toko retail yang perlu diidentifikasi. Model yang dilatih adalah YOLOv4-tiny dan YOLOv5 serta berbagai macam dataset dengan penambahan augmentasi. Darknet digunakan untuk menerapkan Transfer Learning ke model-model, sehingga YOLO dapat mendeteksi barang-barang toko ritel. TensorFlow Lite digunakan untuk mengonversi model. Pengujian model dilakukan dengan memeriksa indikator akurasi seperti mAP dan IoU rata-rata. Untuk mendeteksi objek barang toko retail, model dengan performa terbaik diimplementasikan pada aplikasi Android. Kinerja model sangat bergantung pada jenis jaringan, jumlah kumpulan data, dan bentuk kumpulan data. Hasil paling buruk berasal dari dataset 5 dengan penambahan augmentasi flip, crop, blur, dan rotate yang memiliki mAP 52,28% dan IoU rata-rata 53,15%. Juga dari metode lain, YOLOv5 pada dataset 1, yang memiliki mAP 80,75% dan waktu inferensi 9,6 milidetik. Sedangkan YOLOv4-tiny memiliki mAP 84,70% dan waktu inferensi 5.2 milidetik. Jaringan YOLOv4-Tiny cocok digunakan untuk melakukan deteksi real-time karena waktu inferensi yang cepat.
Kata Kunci: Object detection, Darknet, YOLO, Tensorflow, Tensorflow Lite, Augmentasi.