Deteksi Objek

<p><span style="background-color: white; color: #1f1f1f; font-family: monospace; font-size: 14px; white-space: pre;">Ultralytics 8.3.105 🚀 Python-3.11.11 torch-2.6.0+cu124 CUDA:0 (Tesla T4, 15095MiB)
YOLO11n summary (fused): 100 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100% 2/2 [00:00&lt;00:00,  4.27it/s]
                   all         36        404      0.249      0.446      0.225     0.0929
Speed: 0.2ms preprocess, 2.7ms inference, 0.0ms loss, 2.1ms postprocess per image</span></p></code></pre>

Labelling 72 image dan pelatihan model didapat annotations 675 hasil classes train 239, valid 404, dan test 32, bounding boxes atau label di seluruh dataset.

Distribusi Dataset (Train, Valid, Test):

• Train (239 annotations)
  Jumlah anotasi untuk pelatihan agak kecil. Sebaiknya, dataset pelatihan memiliki lebih dari separuh total anotasi untuk memberi model banyak variasi selama pelatihan.
• Valid (404 annotations)
  Dataset validasi terlihat sangat besar dibandingkan dengan dataset pelatihan. Idealnya, validasi hanya sekitar 20–30% dari total data. Ini akan memastikan model lebih fokus pada pelatihan.
• Test (32 annotations)
  Dataset pengujian terlalu kecil untuk evaluasi akhir. Dataset pengujian yang lebih besar biasanya memberi hasil evaluasi yang lebih representatif, jika mana distribusi data dari ketiga tersebut tidak seimbang bisa menjadi overfitting.

Gambar yang lebih besar juga dapat memudahkan membantu model mendeteksi lebih baik, ada beberapa ukuran gambar lebih baik untuk diguakan, dimension insight yang saya dapat  The dashed lines represent the median width (2048 px) and median height (1365 px) of images in your dataset.

1. Metrik Pelatihan

• train/box_loss
  - Mengukur kesalahan prediksi pada bounding box selama pelatihan.
  - Grafik menunjukkan tren penurunan dari sekitar 3.0 ke bawah 1.0, yang mengindikasikan model semakin baik dalam memprediksi posisi bounding box.
• train/cls_loss
  - Mengukur kesalahan klasifikasi selama pelatihan.
  - Nilai berkurang dari sekitar 3.5 ke bawah 1.0, menunjukkan bahwa model semakin baik dalam mengidentifikasi kelas objek.
• train/dfl_loss
  - Mengukur distribusi focal loss selama pelatihan.
  - Grafik menurun dari sekitar 2.5 ke bawah 1.0, menandakan peningkatan akurasi fokus model.
• metrics/precision(B)
  - Mengukur presisi model (kemampuan membuat prediksi yang benar di antara semua prediksi).
  - Grafik menunjukkan fluktuasi sekitar 0.2 hingga 0.3, yang mengindikasikan presisi model relatif rendah dan masih perlu perbaikan.

2. Metrik Validasi

• val/box_loss
  - Kesalahan bounding box selama validasi, menunjukkan penurunan awal dari sekitar 2.8 ke 2.0 tetapi kemudian stabil pada nilai 2.0.
  - Menunjukkan bahwa model kurang optimal dalam generalisasi untuk data validasi.
• val/cls_loss
  - Kesalahan klasifikasi selama validasi, berfluktuasi antara 2.5 hingga 3.0 setelah penurunan awal.
  - Grafik ini menunjukkan tantangan model dalam menjaga akurasi untuk klasifikasi pada data validasi.
• c. val/dfl_loss:
  - Distribusi focal loss selama validasi, menurun dari 2.8 ke 1.8 tetapi stabil pada 1.8 hingga 2.0.
  - Membutuhkan optimasi lebih lanjut untuk meningkatkan performa model.
• metrics/mAP50(B)
  - Menunjukkan mean Average Precision pada threshold IoU 0.50 selama validasi.
  - Grafik fluktuatif di kisaran 0.1 hingga 0.2, menunjukkan bahwa model memiliki performa yang cukup rendah dalam mendeteksi objek dengan presisi baik.
• metrics/mAP50-95(B)
  - mAP pada berbagai threshold IoU (0.50 hingga 0.95) selama validasi.
  - Nilai relatif rendah, berfluktuasi di sekitar 0.04 hingga 0.08, mengindikasikan model kesulitan dalam mempertahankan akurasi pada data validasi di berbagai tingkat IoU.

 Ringkasan Analisis

1. Perbaikan Perlu Difokuskan Pada Validasi: Nilai loss pada validasi masih lebih tinggi dibandingkan pelatihan, menunjukkan kemungkinan overfitting.
2. Presisi dan mAP Rendah: Model perlu lebih banyak data pelatihan atau augmentasi untuk meningkatkan performa deteksi.
3. Early Stopping atau Fine-tuning: Anda mungkin dapat menggunakan teknik seperti early stopping atau fine-tuning model untuk meningkatkan generalisasi.