Jasa Skripsi Tesis Disertasi Python YOLO ~ Deteksi Objek 3D Realtime Berbasis YOLO dan Depth Estimation untuk Kendaraan Otonom

Berikut adalah silabus 10 sesi × 1,5 jam untuk topik “Deteksi Objek 3D Realtime Berbasis YOLO dan Depth Estimation untuk Kendaraan Otonom”. Silabus ini dirancang agar mencakup teori, praktik, dan proyek mini yang dapat dikembangkan lebih lanjut sebagai bagian dari riset atau tesis.

Silabus 10x Sesi – Deteksi Objek 3D Realtime Berbasis YOLO dan Depth Estimation

Sesi 1: Pengantar Deteksi Objek dan Kendaraan Otonom

• Konsep deteksi objek dan penerapannya dalam kendaraan otonom

• Evolusi YOLO: dari YOLOv1 hingga YOLOv8

• Studi kasus penggunaan real-time object detection pada kendaraan

• Tools yang akan digunakan: Python, OpenCV, PyTorch, YOLOv5/v8, dan ZED Stereo Camera/RealSense (opsional)

Sesi 2: Instalasi dan Setup Lingkungan Pengembangan

• Instalasi Python, PyTorch, dan dependensi

• Instalasi YOLOv5 / YOLOv8 dari GitHub

• Persiapan dataset untuk deteksi objek (COCO, KITTI, atau custom)

• Uji coba deteksi objek 2D menggunakan YOLOv5

Sesi 3: Pengenalan Depth Estimation dan Sensor 3D

• Pengantar Depth Estimation (stereo vision, monocular, LiDAR)

• Prinsip kerja kamera stereo dan sensor kedalaman (ZED, RealSense)

• Implementasi dasar perhitungan kedalaman dari stereo images

• Evaluasi hasil depth map

Sesi 4: Integrasi YOLO dengan Depth Estimation

• Menggabungkan bounding box YOLO dengan informasi depth

• Kalibrasi posisi kamera dan sinkronisasi data RGB + depth

• Transformasi 2D bounding box menjadi titik 3D (x, y, z)

Sesi 5: Visualisasi dan Estimasi Lokasi 3D Objek

• Pemetaan posisi objek terhadap kendaraan (koordinat relatif)

• Visualisasi real-time menggunakan OpenCV + matplotlib

• Penentuan jarak dan arah objek terhadap sumbu kendaraan

Sesi 6: Real-Time Object Tracking dan Perhitungan Kecepatan

• Pengenalan DeepSORT dan ByteTrack untuk pelacakan objek

• Estimasi kecepatan objek menggunakan frame-to-frame analysis

• Studi kasus: pelacakan kendaraan di jalanan

Sesi 7: Proyek Mini – Simulasi Jalan dan Deteksi Objek 3D

• Dataset simulasi (KITTI, CARLA Simulator, atau custom video)

• Deteksi objek dan depth estimation secara paralel

• Evaluasi hasil: akurasi, error jarak, kecepatan deteksi

Sesi 8: Optimasi Model untuk Realtime Detection

• Teknik optimasi: model quantization, pruning, TensorRT

• Uji performa di GPU vs CPU

• Latensi, FPS, dan performa sistem keseluruhan

Sesi 9: Penerapan dalam Kendaraan Otonom Simulasi

• Integrasi dengan ROS atau CARLA Simulator

• Deteksi objek 3D di lingkungan virtual

• Navigasi sederhana berdasarkan posisi objek (opsional)

Sesi 10: Presentasi dan Evaluasi Proyek

• Presentasi hasil proyek mini per peserta/kelompok

• Evaluasi akurasi deteksi, efisiensi komputasi, dan depth mapping

• Diskusi pengembangan lebih lanjut untuk tesis/disertasi

Output Akhir:

• Sistem deteksi objek 3D berbasis YOLO dan depth estimation

• Mampu mengestimasi jarak dan posisi objek terhadap kendaraan

• Implementasi realtime, siap untuk pengembangan lanjut pada kendaraan otonom simulasi atau dunia nyata