(REVIEW)You Only Look Once: Unified, Real-Time Object Detection
1. IDENTIFIKASI ARTIKEL
2. MASALAH YANG DISELESAIKAN
Artikel ini membahas masalah deteksi objek yang akurat tetapi terlalu lambat untuk kebutuhan real-time. Detektor terbaik pada saat itu memakai pipeline bertahap: membangkitkan ribuan region proposal, mengklasifikasikan setiap wilayah dengan CNN, lalu merapikan hasilnya. Akibatnya, (a) kecepatan rendah — Faster R-CNN hanya sekitar 7 fps dan Fast R-CNN 0,5 fps; (b) setiap komponen dilatih terpisah sehingga sulit dioptimasi bersama; dan © classifier hanya melihat potongan citra sehingga sering salah menganggap latar belakang sebagai objek. Padahal aplikasi seperti kendaraan otonom dan robotika membutuhkan deteksi minimal 30 fps.
3. METODE YANG DIUSULKAN
Penulis mengusulkan YOLO, yaitu detektor satu tahap yang memodelkan deteksi sebagai satu masalah regresi:
- Citra 448 x 448 dibagi menjadi grid 7 x 7. Setiap sel memprediksi 2 bounding box (x, y, w, h, confidence) dan 20 probabilitas kelas, sehingga keluarannya tensor 7 x 7 x 30.
- Satu CNN berisi 24 lapisan konvolusi dan 2 lapisan fully connected, dengan lapisan konvolusi awal dipra-latih pada ImageNet. Fast YOLO memakai 9 lapisan konvolusi.
- Pelatihan end-to-end dengan sum-squared error berbobot (lambdacoord = 5, lambdanoobj = 0,5, akar kuadrat w dan h), dropout, dan augmentasi data.
- Non-maximum suppression di akhir untuk menghapus deteksi ganda.
4. ALASAN PEMILIH METODE
- Kecepatan: karena hanya ada satu jaringan dan satu kali forward pass, tidak diperlukan ribuan evaluasi classifier per citra. Inilah kunci untuk mencapai real-time.
- Optimasi menyatu: semua bagian dilatih langsung terhadap tujuan deteksi, bukan per komponen, sehingga pipeline lebih sederhana dan mudah dioptimasi.
- Konteks global: CNN melihat seluruh citra baik saat pelatihan maupun pengujian, sehingga mempelajari informasi kontekstual tentang kelas dan penampakannya. Penulis mengharapkan hal ini mengurangi false positive latar belakang
- Kemampuan CNN sebagai ekstraktor fitur: CNN yang dipra-latih pada ImageNet sudah terbukti unggul untuk klasifikasi, sehingga wajar dijadikan tulang punggung yang juga memprediksi lokasi.
- Generalisasi: representasi yang dipelajari dari seluruh citra diharapkan lebih umum sehingga tetap bekerja pada domain baru atau masukan yang tidak terduga.
5. TINGKAT KEBERHASILAN METODE
Secara keseluruhan, metode ini berhasil menjawab masalah utama, yaitu kecepatan, dengan kompromi pada akurasi lokalisasi:
6. KESIMPULAN
YOLO berhasil membuktikan bahwa deteksi objek dapat dilakukan secara real-time tanpa penurunan akurasi yang parah. Kontribusi terbesarnya adalah perubahan paradigma dari pipeline bertahap menjadi satu CNN end-to-end. Kelemahan pada lokalisasi dan objek kecil diakui secara jujur oleh penulis, dan kemudian diperbaiki pada versi lanjutan (YOLOv2 dengan anchor box dan batch normalization, YOLOv3 dengan prediksi multi-skala). Dampak makalah ini sangat besar: deteksi satu tahap kini menjadi standar industri untuk aplikasi real-time.
Referensi
[1] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proc. IEEE CVPR, 779–788. arXiv:1506.02640.
Get Aidhil’s stories in your inbox
Join Medium for free to get updates from this writer.
[2] Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. NeurIPS.
[3] Girshick, R. (2015). Fast R-CNN. Proc. IEEE ICCV, 1440–1448.
