Jasa Skripsi Tesis Disertasi Python YOLO ~ Optimalisasi Algoritma YOLO dengan Attention Mechanism untuk Deteksi Multiskala Objek

Berikut adalah silabus 10 sesi (masing-masing berdurasi 1,5 jam) untuk topik “Optimalisasi Algoritma YOLO dengan Attention Mechanism untuk Deteksi Multiskala Objek”. Silabus ini cocok untuk mahasiswa tingkat akhir S1, S2, maupun riset awal S3 yang ingin mengeksplorasi gabungan YOLO + Attention Mechanism (CBAM, SE, atau Transformer Attention) dalam konteks deteksi objek multiskala.

Silabus 10x Sesi @1.5 Jam

Judul: Optimalisasi Algoritma YOLO dengan Attention Mechanism untuk Deteksi Multiskala Objek

Sesi 1: Pengenalan Deteksi Objek dan YOLO

• Pengantar deteksi objek: anchor-based vs anchor-free

• Evolusi YOLO (v1–v8)

• Konsep single-shot detection dan real-time inference

• Studi kasus deteksi objek multiskala

Praktik: Run YOLOv5 pre-trained model di dataset COCO

Sesi 2: Arsitektur YOLO dan Masalah Deteksi Multiskala

• Penjelasan arsitektur dasar YOLOv4/v5

• Feature Pyramid Network (FPN) dan PANet dalam YOLO

• Kelemahan YOLO dalam menangani objek kecil vs besar

Praktik: Analisis bounding box untuk objek kecil, sedang, besar

Sesi 3: Attention Mechanism – Konsep Dasar

• Pengantar attention: soft vs hard attention

• Spatial dan channel-wise attention

• Contoh modul: CBAM (Convolutional Block Attention Module), SE (Squeeze-and-Excitation)

Praktik: Visualisasi attention map dari CBAM dan SE

Sesi 4: Integrasi Attention ke dalam YOLO

• Arsitektur YOLO + CBAM

• Letak integrasi: backbone, neck, head

• Perbandingan hasil deteksi dengan/ tanpa attention

Praktik: Implementasi YOLOv5 + CBAM

Sesi 5: Dataset dan Labeling untuk Objek Multiskala

• Dataset umum: COCO, VOC, custom dataset

• Teknik labeling objek kecil dan padat

• Augmentasi data multiskala (Mosaic, CutMix, Random Resize)

Praktik: Labeling dan augmentasi dataset multiskala

Sesi 6: Eksperimen dan Training Model

• Setting hyperparameter training YOLO + Attention

• Loss function: objectness loss, class loss, bbox loss

• Evaluasi: precision, recall, mAP (mean Average Precision)

Praktik: Training YOLO + CBAM pada custom dataset

Sesi 7: Evaluasi dan Analisis Performa Multiskala

• Evaluasi hasil deteksi objek kecil vs besar

• Analisis confusion matrix, precision-recall curve

• Interpretasi performa per kelas dan per skala

Praktik: Visualisasi mAP dan loss curve

Sesi 8: Optimalisasi Model dan Inference Speed

• Optimasi ukuran model dan waktu inferensi (FPS)

• Pruning dan quantization

• Benchmark kecepatan: YOLO standard vs YOLO + CBAM

Praktik: Bandingkan kecepatan YOLO biasa vs versi attention

Sesi 9: Studi Kasus dan Eksperimen Lanjutan

• Penerapan YOLO + Attention di bidang nyata: pertanian, medis, surveillance

• Eksperimen transfer learning dengan pretrained backbone (EfficientNet, MobileNet)

Praktik: A/B testing hasil real-life deployment YOLO + CBAM

Sesi 10: Presentasi Proyek Mini dan Review Akhir

• Presentasi hasil eksperimen setiap peserta (atau kelompok)

• Diskusi temuan: efektivitas attention untuk deteksi multiskala

• Review dan refleksi silabus

Praktik: Demo akhir + evaluasi umpan balik