Optimalisasi Model Deteksi dan Kategorisasi Barang dengan Model Deep Learning
Abstrak
Deteksi objek merupakan aspek penting dalam analisis citra. Penelitian ini mengoptimalkan Co-DETR (Detection Transformers with Collaborative Hybrid Assignments Training) dengan Faster R-CNN dan ATSS sebagai auxiliary head. Fokus utamanya menganalisis akurasi dan performa Co-DETR dengan/ tanpa pretraining MS COCO pada dataset Amazon Product. Data diproses melalui filtering, unduh, augmentasi, pembagian 7:3, dan anotasi JSON. Model diimplementasikan dengan backbone ResNet-50 dan query head CoDinoHead (900 query). Tiga konfigurasi diuji: tanpa augmentasi, dengan augmentasi, dan finetuning pretrained model. Evaluasi menggunakan mAP (IoU 0.5, 0.75, 0.5– 0.95), average recall, serta analisis loss. Hasil menunjukkan mAP meningkat dari 28–29% (tanpa augmentasi) menjadi 71% (dengan augmentasi) dan 82% (finetuning). Kualitas anotasi (satu objek penuh/gambar) menghasilkan Loss BBox sangat rendah, sehingga model mendeteksi satu barang per gambar. Deteksi di GPU (2–10 detik) jauh lebih efisien dibanding CPU (2–4 menit). Penelitian ini memberi kontribusi signifikan pada pengembangan deteksi objek berbasis deep learning.