Computer Vision: Klasifikasi atau Deteksi Objek?
Klasifikasi memilih label untuk gambar, sedangkan deteksi juga mencari lokasi objek. Pilihan tugas menentukan data, anotasi, dan evaluasi. Mulailah dari keputusan yang diambil setelah gambar diproses.
Cocokkan tugas dengan tindakan
Untuk satu foto produk yang perlu diberi kategori, klasifikasi mungkin cukup. Untuk menghitung beberapa objek beserta lokasinya, pertimbangkan deteksi. Tulis contoh gambar, hasil yang diharapkan, dan kasus yang tidak boleh diproses otomatis. Spesifikasi ini menjadi dasar pengumpulan dan anotasi data.
Variasikan dataset
Sertakan cahaya, sudut, jarak, latar, dan perangkat yang mencerminkan penggunaan. Periksa lisensi serta privasi. Pisahkan sesi atau identitas ketika banyak foto serupa berulang. Split acak per file dapat membuat model diuji pada gambar yang hampir sama dengan data pelatihannya sehingga hasil terlihat lebih baik dari kemampuan sebenarnya.
Tulis pedoman anotasi
Tentukan label untuk objek ambigu atau tidak terlihat. Pada deteksi, jelaskan cara menggambar kotak dan menangani objek tertutup sebagian. Tinjau contoh bersama penanda data. Ketidakkonsistenan anotasi membatasi kualitas model sekalipun arsitektur lebih canggih atau pelatihan lebih lama.
Evaluasi per kondisi
Kelompokkan kegagalan menurut cahaya, ukuran objek, dan kategori. Pada deteksi, periksa ketepatan lokasi serta label. Sertakan gambar tanpa objek target agar false positive terlihat. Sebelum integrasi, ukur waktu inferensi pada perangkat dan resolusi tujuan; demonstrasi di komputer pengembang belum mewakili seluruh lingkungan penggunaan.
Tugas Praktik
Susun spesifikasi dataset pemilahan sampah: tugas, label, aturan split, dan lima kondisi gagal yang harus diuji.
Periksa Hasilmu
- Keluaran sesuai keputusan
- Hak penggunaan diperiksa
- Foto serupa tidak bocor
- Kegagalan per kondisi dilaporkan