Detail Cantuman

Dengan semakin populernya Unmanned Aerial Vehicle (UAV) untuk deteksi objek dari udara, muncul tantangan unik dalam hal small object detection dari perspektif udara. Objek seperti mobil dapat tampak kecil, pohon dengan hanya kanopi yang terlihat, dan rumah yang kehilangan memiliki karakteristik minim dalam pandangan udara. Belum lagi dengan bagaimana UAV memiliki masa pakai baterai yang terbatas, salah satu cara untuk mempunyai visual jika UAV sudah berada di udara yaitu melalui perangkat kecil seperti smartphone atau tablet, perangkat ini mungkin memiliki daya komputasi terbatas untuk memungkinkan deteksi objek dalam perangkat tersebut. Dengan melakukan pertimbangan pada keterbatasan ini, penelitian berfokus pada optimasi model YOLOv8 dengan mengintegrasikan modul GhostNet ke dalam arsitekturnya, khususnya memodifikasi pada bagian Backbone, Neck, dan Head. Proses optimasi ini menghasilkan model yang lebih ringan dengan kecepatan inferensi yang lebih cepat karena memiliki
parameter yang lebih ringan dengan penurunan sebesar 53% dari jumlah parameter yang dilalui. Dengan menggunakan model small YOLOv8 (YOLOv8s) yang modifikasi GhostNet, model tersebut mencapai Rata-rata Presisi (mAP50) sebesar 75%, precision sebesar 79%, dan recall sebesar 67%, mengungguli tiga model lain yang diuji: YOLOv8s, YOLOv8s dengan CSPDarknet53, dan YOLOv8s dengan EfficientRep. Model yang dioptimalkan menunjukkan kecepatan inferensi tercepat sebesar 10,7 ms dimana model lain memerlukan lebih dari 60 ms, dan diuji dengan kumpulan data primer. Kata kunci: Unmanned Aerial Vehicle (UAV), Object Detection, YOLOv8,
GhostNet, Aerial View