Face Deteksi Objek pada Gambar dan Video dengan YOLOv8 (Counting Objects)
Keywords:
YOLOv8, Object Detection, Object Counting, Computer Vision, Speed, Accuracy, Real-TimeAbstract
Perhitungan deteksi objek pada gambar dan video adalah bidang penting dalam computer vision dengan berbagai aplikasi, termasuk pengawasan keamanan, analisis lalu lintas, dan manajemen inventaris. Penelitian ini menggunakan algoritma YOLOv8 (You Only Look Once version 8) untuk mendeteksi dan menghitung objek dalam gambar dan video. YOLOv8 dikenal karena kecepatan dan akurasinya. Penelitian ini mengevaluasi kinerja YOLOv8 dalam berbagai kondisi pencahayaan, ukuran objek, dan latar belakang. Hasilnya menunjukkan bahwa YOLOv8 mampu mendeteksi dan menghitung objek dengan akurasi tinggi dan pemrosesan real-time yang efektif. Penelitian ini berkontribusi pada pengembangan teknologi deteksi objek yang lebih efisien dan akurat.
References
P. Malhotra dan E. Garg, “Object detection techniques: A comparison,” 2020 7th Int. Conf. Smart Struct. Syst. ICSSS 2020, hal. 4–7, 2020, doi: 10.1109/ICSSS49621.2020.9202254.
N. P. Motwani dan S. S, “Human Activities Detection using DeepLearning Technique- YOLOv8,” ITM Web Conf., vol. 56, hal. 03003, 2023, doi: 10.1051/itmconf/20235603003.
G. Wang, Y. Chen, P. An, H. Hong, J. Hu, dan T. Huang, “UAV-YOLOv8: A Small-Object-Detection Model Based on Improved YOLOv8 for UAV Aerial Photography Scenarios,” Sensors, vol. 23, no. 16, 2023, doi: 10.3390/s23167190.
G. Yang, J. Wang, Z. Nie, H. Yang, dan S. Yu, “A Lightweight YOLOv8 Tomato Detection Algorithm Combining Feature Enhancement and Attention,” 2023.]
A. Aboah, B. Wang, U. Bagci, dan Y. Adu-Gyamfi, “Real-time Multi-Class Helmet Violation Detection Using Few-Shot Data Sampling Technique and YOLOv8,” IEEE Comput. Soc. Conf. Comput. Vis. Pattern
Recognit. Work., vol. 2023-June, hal. 5350–5358, 2023, doi: 10.1109/CVPRW59228.2023.00564.
X. Wang, H. Gao, Z. Jia, dan Z. Li, “BL-YOLOv8: An Improved Road Defect Detection Model Based on YOLOv8,” Sensors (Basel)., vol. 23, no. 20, 2023, doi: 10.3390/s23208361.
R. Kusumanto and A. N. Tompunu, “Pengolahan citra digital untuk mendeteksi obyek menggunakan pengolahan warna model normalisasi RGB,” 2011.
K. Buhler, J. Lambert, and M. Vilim, “YoloFlow Real-time Object Tracking in Video CS 229 Course Project.” 2016.
S. Albawi, T. A. Mohammed, and S. Al-Zawi, “Understanding of a convolutional neural network,” 2018, doi: 10.1109/ICENGTECHNOL.2017.8308186.
J. S. W. Hutauruk, T. Matulatan, and N. Hayaty, “Deteksi kendaraan secara real time menggunakan metode YOLO berbasis Android,” J. Sustain. J. Has. Penelit. dan Ind. Terap., vol. 9, no. 1, pp. 8–14, 2020, doi: 10.31629/SUSTAINABLE.V9I1.1401.
