Computer Vision2024
Mendorong Deteksi Area Tambang ke 86,5% mAP@50 dengan YOLOv8 dan BGF-YOLO
Tugas akhir saya di ITB, sekaligus jawaban langsung atas hal-hal yang terus gagal ditangani YOLOv4 di produksi: objek kecil, pencahayaan buruk, dan deteksi keliru yang terlalu percaya diri.
- Teknologi
- YOLOv8 · BGF-YOLO · PyTorch · OpenCV · Roboflow · Python
Konteks
Sistem produksi di Berau Coal berjalan di atas YOLOv4. Sistemnya bekerja, tetapi pola kegagalannya konsisten dan saya punya dua tahun bukti lapangan untuk itu. Proyek ini mengubah bukti tersebut menjadi pertanyaan penelitian untuk tugas akhir: apakah arsitektur yang lebih baru dengan rancangan neck berbeda bisa menutup celah pada kasus-kasus yang persis membuat YOLOv4 gagal dalam pemantauan K3?
Masalah
Tiga pola kegagalan berulang, diurutkan berdasarkan seberapa sering menyebabkan alert meleset:
Objek kecil. Pekerja yang berdiri 80 meter di ujung jalan hauling hanya menempati sebagian kecil frame, dan justru di situasi itulah alert paling dibutuhkan.
Pencahayaan buruk. Shift malam, backlight, dan silau lampu kendaraan sama-sama menurunkan kualitas deteksi.
Deteksi keliru. Permukaan reflektif dan siluet alat berat memicu alert yang menggerus kepercayaan pengguna terhadap sistem.
Pendekatan
Saya membandingkan YOLOv8 terhadap baseline YOLOv4 yang dipakai di produksi, lalu mengevaluasi BGF-YOLO yang menata ulang jalur feature fusion di bagian neck agar detail halus tidak hilang di layer yang lebih dalam.
Dataset diambil dari rekaman CCTV tambang asli, bukan dataset publik, dan dianotasi lewat Roboflow. Sampling sengaja diarahkan ke kasus sulit: frame minim cahaya, objek kecil dan setengah tertutup, serta objek yang saling tumpang tindih. Evaluasi berfokus pada mAP@50 dengan rincian per kondisi, karena skor rata-rata justru menyembunyikan skenario yang paling menentukan pada sistem keselamatan.
Hasil
mAP@50 sebesar 86,5% setelah optimasi
Peningkatan terukur pada objek kecil dan tumpang tindih dibanding baseline YOLOv4
Stabilitas deteksi yang lebih baik pada kondisi minim cahaya
Temuan dibawa kembali ke pipeline produksi, yang kemudian bermigrasi dari YOLOv4 ke YOLOv8
Catatan
Bagian paling berguna dari proyek ini bukan angka akhirnya, melainkan proses menyusun evaluation set yang mencerminkan kondisi nyata tempat sistem berjalan. Melaporkan satu angka mAP di atas dataset yang seimbang memang terlihat lebih bagus di kertas, tetapi tidak memberi tahu apa pun tentang shift malam.