<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Object Detection Archives - Structilmy</title>
	<atom:link href="https://structilmy.com/blog/tag/object-detection/feed/" rel="self" type="application/rss+xml" />
	<link>https://structilmy.com/tag/object-detection/</link>
	<description>Tutorial, Catatan, Dokumentasi</description>
	<lastBuildDate>Wed, 04 Aug 2021 17:17:47 +0000</lastBuildDate>
	<language>en-US</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=7.1.4</generator>

<image>
	<url>https://i0.wp.com/structilmy.com/wp-content/uploads/2019/01/cropped-favs.png?fit=32%2C32&#038;ssl=1</url>
	<title>Object Detection Archives - Structilmy</title>
	<link>https://structilmy.com/tag/object-detection/</link>
	<width>32</width>
	<height>32</height>
</image> 
<site xmlns="com-wordpress:feed-additions:1">165056026</site>	<item>
		<title>Membuat Model Tensorflow Object Detection untuk Android</title>
		<link>https://structilmy.com/blog/2021/08/05/membuat-model-tensorflow-object-detection-untuk-android/</link>
					<comments>https://structilmy.com/blog/2021/08/05/membuat-model-tensorflow-object-detection-untuk-android/#comments</comments>
		
		<dc:creator><![CDATA[Rian Adam]]></dc:creator>
		<pubDate>Thu, 05 Aug 2021 01:35:00 +0000</pubDate>
				<category><![CDATA[Computer Vision]]></category>
		<category><![CDATA[Deep Learning]]></category>
		<category><![CDATA[Tutorial]]></category>
		<category><![CDATA[Object Detection]]></category>
		<category><![CDATA[Tensorflow]]></category>
		<guid isPermaLink="false">https://structilmy.com/?p=2457</guid>

					<description><![CDATA[Artikel ini adalah kelanjutan dari artikel setahun yang lalu sebelumnya tentang Tensorflow Object Detection. Di artikel sebelumnya kita fokus pada penyiapan data, kali ini kita akan membahas cara melatih dan membuat model deep learning Tensorflow Object Detection menggunakan Google Colab, hingga akhirnya siap digunakan di Android. Pada tutorial ini kita menggunakan Tensorflow versi 2, yang [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Artikel ini adalah kelanjutan dari artikel <s>setahun yang lalu</s> <em>sebelumnya </em>tentang <a href="https://structilmy.com/2020/06/object-detection-dengan-tensorflow-dan-google-colab-1/">Tensorflow Object Detection</a>. Di artikel sebelumnya kita fokus pada penyiapan data, kali ini kita akan membahas cara melatih dan membuat model deep learning Tensorflow Object Detection menggunakan Google Colab, hingga akhirnya siap digunakan di Android.</p>



<p class="wp-block-paragraph">Pada tutorial ini kita menggunakan Tensorflow versi 2, yang sedikit berbeda dengan Tensorflow versi 1. Ini salah satu alasan artikel ini tertunda cukup lama, tahun lalu ketika artikel pertama ditulis, Tensorflow versi 2 masih belum cukup stabil untuk object detection maupun untuk diconvert ke TFLite.</p>



<div class="wp-block-image"><figure class="aligncenter size-full is-resized"><img data-recalc-dims="1" fetchpriority="high" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image.png?resize=429%2C281&#038;ssl=1" alt="" class="wp-image-2465" width="429" height="281" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image.png?w=995&amp;ssl=1 995w, https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image.png?resize=300%2C197&amp;ssl=1 300w, https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image.png?resize=768%2C503&amp;ssl=1 768w" sizes="(max-width: 429px) 100vw, 429px" /></figure></div>



<h2 class="wp-block-heading">Overview</h2>



<p class="wp-block-paragraph">Secara umum ada 3 tahapan untuk membuat model tensorflow untuk mendeteksi objek dan menjadikan model tersebut siap digunakan di Android:</p>



<ol class="wp-block-list"><li><strong>Menyiapkan dataset</strong>. Jika objek yang ingin kita bukan <a href="https://cocodataset.org" target="_blank" rel="noreferrer noopener">objek yang umum dideteksi</a>, maka kita perlu menyiapkan dataset terlebih dahulu. <strong>Tahap ini sudah dibahas <a href="https://structilmy.com/2020/06/object-detection-dengan-tensorflow-dan-google-colab-1/">di artikel sebelumnya</a></strong><a href="https://structilmy.com/2020/06/object-detection-dengan-tensorflow-dan-google-colab-1/">.</a></li><li><strong>Melatih pre-trained model</strong>. Kita akan menggunakan <a href="https://structilmy.com/2021/01/transfer-learning-solusi-deep-learning-dengan-data-sedikit/">pre-trained model</a>, karena untuk merangkai dan melatih model dari awal akan memakan waktu dan membutuhkan resource yang besar. Kita cukup melakukan fine-tuning model agar model memiliki performa yang baik, untuk dataset baru, dengan waktu pelatihan yang lebih singkat.</li><li><strong>Mengconvert model menjadi TFLite.</strong> Proses mengubah model yang sudah dilatih ke format yang dapat dipahami oleh mobile Android.</li></ol>



<h2 class="wp-block-heading">Source Code</h2>



<p class="wp-block-paragraph">Tutorial Tensorflow Object Detection ini tersedia di Google Colab berikut: <a href="https://colab.research.google.com/drive/1dNIIcDBMaKieGzSl1BVE5H6wu17n6cO7?usp=sharing" target="_blank" rel="noreferrer noopener">https://colab.research.google.com/drive/1dNIIcDBMaKieGzSl1BVE5H6wu17n6cO7?usp=sharing</a>. Untuk dataset dan script-script lain yang akan digunakan dapat diakses di repository github berikut: <a href="https://github.com/rianrajagede/object-detection.git" target="_blank" rel="noreferrer noopener">https://github.com/rianrajagede/object-detection.git</a>. <strong>Tutorial ini merujuk pada link Google Colab dan repo github di atas</strong>.</p>



<h2 class="wp-block-heading">1. Instalasi Tensorflow Object Detection</h2>



<p class="wp-block-paragraph">Ketika kita menginstall Tensorflow, kita belum menginstall Tensorflow Object Detection API. Hal ini juga berlaku di Google Colab, kita tetap perlu menginstall Tensorflow Object Detection API terlebih dahulu. Langkah instalasi resminya bisa <a href="https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2.md#installation" target="_blank" rel="noreferrer noopener">diakses di sini</a>. Saat artikel ini ditulis instalasi bisa dilakukan dengan:</p>



<p class="wp-block-paragraph"><strong>1.</strong> <strong>Clone github Tensorflow Object Detection API</strong> di Google Colab. Penanda tanda seru (<code>!</code>) di awal baris menunjukkan baris tersebut sedang menjalankan perintah Command Prompt, bukan Python. Perintah ini akan membuat folder <code>models</code> yang berisi file-file dari repository tensorflow object detection.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!git clone https://github.com/tensorflow/models.git</pre>



<p class="wp-block-paragraph"><strong>2. Lalu install API</strong> menggunakan perintah di bawah. Penanda <code>%%bash</code> fungsinya mirip dengan tanda <code>!</code>, jika perintah <code>%%bash</code> ditulis di awal baris menunjukkan cell Google Colab tersebut sedang menjalankan perintah Command Prompt, bukan Python.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">%%bash
cd models/research/
protoc object_detection/protos/*.proto --python_out=.
cp object_detection/packages/tf2/setup.py .
python -m pip install .</pre>



<p class="wp-block-paragraph">3. <strong>Jalankan test</strong> untuk memastikan instalasi berhasil dengan menjalankan perintah berikut. Jika semua tertulis &#8220;OK&#8221; berarti instalasi berhasil.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!python models/research/object_detection/builders/model_builder_tf2_test.py</pre>



<span id="more-2457"></span>



<h2 class="wp-block-heading">2. Download Dataset</h2>



<p class="wp-block-paragraph">Dataset yang akan kita gunakan ada di repository github yang saya share di bagian Source Code tadi, gunakan perintah di bawah untuk mengkloning repositori ke google colab. <strong>Setelah data didownload, lakukan pemrosesan data seperti yang telah dijelaskan <a href="https://structilmy.com/2020/06/object-detection-dengan-tensorflow-dan-google-colab-1/">di artikel sebelumnya</a></strong> (atau cek link Google Colab di atas di bagian &#8220;Menyiapkan TFrecord file&#8221;.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!git clone https://github.com/rianrajagede/object-detection.git</pre>



<p class="wp-block-paragraph">Dataset ini berisikan gabungan dari dua public dataset yang terdiri dari objek Rakun dan Kanguru. Setiap citra memiliki file anotasi bertipe XML dengan nama yang sama. Berikut ini contoh citra yang ada di file.</p>



<div class="wp-block-image"><figure class="aligncenter size-full is-resized"><img data-recalc-dims="1" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/TestImage.png?resize=276%2C209&#038;ssl=1" alt="" class="wp-image-2471" width="276" height="209" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/TestImage.png?w=432&amp;ssl=1 432w, https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/TestImage.png?resize=300%2C227&amp;ssl=1 300w" sizes="(max-width: 276px) 100vw, 276px" /></figure></div>



<h2 class="wp-block-heading">3. Training Pre-trained Model</h2>



<p class="wp-block-paragraph">Pre-trained model adalah model yang siap pakai dan sudah dilatih dengan dataset yang besar. Penjelasan lebih detail tentang pre-trained model dan penggunananya ada di artikel <a href="https://structilmy.com/2021/01/transfer-learning-solusi-deep-learning-dengan-data-sedikit/">sebelumnya tentang transfer learning.</a></p>



<p class="wp-block-paragraph">1. <strong>Download Pre-trained model</strong> yang akan digunakan. Pre-trained model yang tersedia untuk object detection dapat dilihat daftarnya <a href="https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md" target="_blank" rel="noreferrer noopener nofollow">di halaman ini</a>. Sebagai contoh, kita akan menggunakan salah satu jenis pre-trained model SSD MobileNetv2 (<code>ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz</code>).</p>



<p class="wp-block-paragraph">Berikut perintah yang digunakan untuk mendownload dan mengekstrak pre-trained model:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!wget http://download.tensorflow.org/models/object_detection/tf2/20200710/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz
!tar -zxvf ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz</pre>



<p class="wp-block-paragraph">Hasil dari proses ini adalah sebuah directory dengan nama yang sesuai dan berisikan pre-trained model.</p>



<div class="wp-block-image"><figure class="aligncenter size-full is-resized"><img data-recalc-dims="1" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-2.png?resize=276%2C157&#038;ssl=1" alt="" class="wp-image-2469" width="276" height="157" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-2.png?w=515&amp;ssl=1 515w, https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-2.png?resize=300%2C171&amp;ssl=1 300w" sizes="(max-width: 276px) 100vw, 276px" /></figure></div>



<p class="wp-block-paragraph"><strong>2. Atur Pipeline.config</strong>. Sebelum proses training, kita perlu mengatur beberapa hal di file pipeline.config yang tersedia di folder pre-trained model. File ini bertanggung jawab mengatur parameter-parameter pelatihan ataupun evaliasi seperti lama pelatihan, arsitektur, dsb.</p>



<p class="wp-block-paragraph">File Pipeline.config bisa dibuka dengan text editor biasa, atau jika menggunakan Google Colab bisa dengan cara <strong>double klik</strong>, nanti akan muncul jendela editor kecil.</p>



<p class="wp-block-paragraph">Apa saja yang perlu diatur dari file tersebut? Sebenarnya banyak yang bisa diatur, tapi pada tutorial ini kita atur beberapa hal saja.</p>



<ul class="wp-block-list"><li>Nilai pada <code>num_class</code> disesuaikan dengan jumlah class yang akan digunakan. Pada tutorial ini <code>num_class: 2</code></li><li>Temukan bagian <code>fine_tune_checkpoint_type</code> lalu ubah dari <code>classification</code> menjadi <code>detection</code></li><li>Nilai <code>batch_size</code> menentukan <a href="https://structilmy.com/2021/07/batch-epoch-step-istilah-istilah-pada-gradient-descent/">ukuran batch</a>. Kita gunakan batch kecil saja ubah <code>batch_size: 32</code></li><li>Untuk dataset yang sederhana ini, kita bisa gunakan jumlah iterasi yang kecil. Atur <code>num_steps: 1000</code></li><li>MobilenetV2 ini secara default dilatih menggunakan learning rate yang dinamis berdasar banyak iterasi (nilai learning rate bisa berubah-ubah). Ini tampak dari bagian di bawah. Karena kita mengubah <code>num_steps</code> lebih kecil, maka kita sesuaikan juga <code>total_steps: 1000</code> dan <code>warmup_steps: 100</code>. </li></ul>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">learning_rate {
        cosine_decay_learning_rate {
          learning_rate_base: 0.07999999821186066
          total_steps: 50000
          warmup_learning_rate: 0.026666000485420227
          warmup_steps: 1000
        }
      }</pre>



<ul class="wp-block-list"><li>Cari pada file pipeline tulisan <code>PATH_TO_BE_CONFIGURED</code>. lalu sesuaikan dengan path yang dituju.<ul><li>Untuk <code>fine_tune_checkpoint</code> arahkan ke checkpoint file dari pretrained model. Berdasarkan tutorial ini, pathnya <code>/content/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8/checkpoint/ckpt-0</code></li><li>Untuk <code>input_path</code> pada <code>train_input_reader</code> arahkan ke tfrecord data train. Berdasarkan tutorial ini, pathnya <code>/content/object-detection/train.record</code></li><li>Untuk <code>input_path</code> pada <code>eval_input_reader</code> arahkan ke tfrecord data test. Berdasarkan tutorial ini, pathnya <code>/content/object-detection/test.record</code></li><li>Untuk <code>label_map_path</code> arahkan ke file <code>label_map.pbtxt</code>. Di tutorial ini pathnya <code>/content/object-detection/label_map.pbtxt</code></li></ul></li></ul>



<p class="wp-block-paragraph"><strong>3. Jalankan perintah berikut untuk mulai pelatihan</strong>. Pada parameter <code>--model_dir</code> kita beritahu di mana model output proses pelatihan ini akan disimpan. Sedangkan parameter <code>--pipeline_config_path</code> berisi path menuju file pipeline.config yang tadi sudah kita edit.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!python /content/models/research/object_detection/model_main_tf2.py \
                --alsologtostderr \
                --model_dir="/content/output/" \
                --pipeline_config_path="/content/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8/pipeline.config"</pre>



<p class="wp-block-paragraph">Proses training akan berlangsung cukup lama meskipun telah dijalankan di Google Colab dan dengan data yang tidak terlalu banyak. Untuk 1000 steps, kira-kira proses pelatihan akan memakan waktu 10-15 menit. Setelah proses pelatihan di atas selesai, model akan tersimpan di folder <code>/output</code> dalam format <code>SavedModel</code>.</p>



<div class="wp-block-image"><figure class="aligncenter size-full is-resized"><img data-recalc-dims="1" loading="lazy" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-4.png?resize=224%2C137&#038;ssl=1" alt="" class="wp-image-2486" width="224" height="137" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-4.png?w=411&amp;ssl=1 411w, https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-4.png?resize=300%2C183&amp;ssl=1 300w" sizes="auto, (max-width: 224px) 100vw, 224px" /></figure></div>



<h2 class="wp-block-heading">4. Convert ke TFLite</h2>



<p class="wp-block-paragraph">Model yang dihasilkan sudah bisa digunakan, namun untuk bisa menggunakannya di mobile android, kita perlu mengubah formatnya menjadi bentuk TFLite. Proses pengubahan dari <code>SavedModel</code> ke TFLite dilakukan dalam dua langkah:</p>



<p class="wp-block-paragraph"><strong>1. Buat SavedModel yang &#8220;ramah&#8221; untuk TFLite</strong>. Perintah berikut ini jika dijalankan akan menghasilkan sebuah folder <code>/tflite</code> yang berisi <code>SavedModel</code> juga namun lebih siap untuk dijadikan TFLite (model sementara)</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!python models/research/object_detection/export_tflite_graph_tf2.py \
    --trained_checkpoint_dir {'/content/output'} \
    --output_directory {'/content/tflite'} \
    --pipeline_config_path {'/content/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8/pipeline.config'}</pre>



<p class="wp-block-paragraph"><strong>2. Convert SavedModel tersebut menjadi TFLite.</strong> Jalan perintah berikut untuk menghasilkan <code>model.tflite </code>di folder <code>/tflite</code>. Jika diperhatikan, kode di bawah ini merupakan perintah python, untuk menjalankan tentu perlu ada package yang diimport. Cek kode di Colab untuk lebih lengkapnya.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">_TFLITE_MODEL_PATH = "/content/tflite/model.tflite"

converter = tf.lite.TFLiteConverter.from_saved_model('/content/tflite/saved_model')
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

with open(_TFLITE_MODEL_PATH, 'wb') as f:
  f.write(tflite_model)</pre>



<p class="wp-block-paragraph">Dan selesai! kalian bisa cek <code>model.tflite</code> di folder tersebut, lalu menggunakannya di android.</p>



<div class="wp-block-image"><figure class="aligncenter size-full is-resized"><img data-recalc-dims="1" loading="lazy" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-3.png?resize=255%2C64&#038;ssl=1" alt="" class="wp-image-2485" width="255" height="64" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-3.png?w=454&amp;ssl=1 454w, https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/image-3.png?resize=300%2C75&amp;ssl=1 300w" sizes="auto, (max-width: 255px) 100vw, 255px" /></figure></div>



<h2 class="wp-block-heading">5. Inference Model TFLite</h2>



<p class="wp-block-paragraph">Pada bagian ini kita akan melihat aksi model tflite yang sudah kita buat. Untuk melihat performa model TFLite yang dihasilkan, kita bisa cek menggunakan script yang ada di github repo di atas, yakni <code>TFLite_detection_image.py</code>.</p>



<p class="wp-block-paragraph">Sebelum menjalankan upgrade terlebih dahulu Open CV di Google Colab ke versi terbaru. Saat artikel ini dibuat OpenCV di Google Colab masih versi lama sehingga bisa menyebabkan error ketika inference</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!pip install -U opencv-python</pre>



<p class="wp-block-paragraph">Lalu jalankan script tersebut dengan format sebagai berikut. Script ini akan menguji model untuk mendeteksi objek Rakun dan Kanguru dari folder <code>/object-detection/test_img_only</code>.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">!python /content/object-detection/scripts/TFLite_detection_image.py --imagedir "/content/object-detection/test_img_only" \
    --modeldir "/content/tflite" \
    --graph "/content/tflite/model.tflite" \
    --labels "/content/object-detection/labelmap.txt" </pre>



<p class="wp-block-paragraph">Pada bagian <code>labels</code> path kita diarahkan ke <code>labelmap.txt</code> bukan <code>label_map.pbtxt</code>. File <code>labelmap.txt</code> sedikit berbeda dengan <code>label_map.pbtxt</code> dan digunakan untuk inference di android. </p>



<p class="wp-block-paragraph">Jika dijalankan, maka script akan menghasilkan gambar yang yang telah dianotasi di home folder.</p>



<div class="wp-block-image"><figure class="aligncenter size-full is-resized"><img data-recalc-dims="1" loading="lazy" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/index.jpg?resize=373%2C239&#038;ssl=1" alt="" class="wp-image-2484" width="373" height="239" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/index.jpg?w=650&amp;ssl=1 650w, https://i0.wp.com/structilmy.com/wp-content/uploads/2021/08/index.jpg?resize=300%2C192&amp;ssl=1 300w" sizes="auto, (max-width: 373px) 100vw, 373px" /></figure></div>



<p class="wp-block-paragraph">Sekian, Selamat mencoba semoga bermanfaat, jika ada yang kurang jelas bisa ditanyakan di kolom komentar <img src="https://s.w.org/images/core/emoji/17.0.2/72x72/1f600.png" alt="😀" class="wp-smiley" style="height: 1em; max-height: 1em;" /></p>



<hr class="wp-block-separator"/>



<p class="wp-block-paragraph"><sup>Photo by <a href="https://unsplash.com/@lkverwoerd?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Lisette Verwoerd</a> on <a href="https://unsplash.com/s/photos/bird?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></sup></p>
]]></content:encoded>
					
					<wfw:commentRss>https://structilmy.com/blog/2021/08/05/membuat-model-tensorflow-object-detection-untuk-android/feed/</wfw:commentRss>
			<slash:comments>12</slash:comments>
		
		
		<post-id xmlns="com-wordpress:feed-additions:1">2457</post-id>	</item>
		<item>
		<title>Object Detection dengan PyTorch Detectron 2 dan Colab</title>
		<link>https://structilmy.com/blog/2020/10/01/object-detection-dengan-pytorch-detectron-2-dan-colab/</link>
					<comments>https://structilmy.com/blog/2020/10/01/object-detection-dengan-pytorch-detectron-2-dan-colab/#comments</comments>
		
		<dc:creator><![CDATA[Rian Adam]]></dc:creator>
		<pubDate>Wed, 30 Sep 2020 17:26:00 +0000</pubDate>
				<category><![CDATA[Computer Vision]]></category>
		<category><![CDATA[Deep Learning]]></category>
		<category><![CDATA[Tutorial]]></category>
		<category><![CDATA[Machine Learning]]></category>
		<category><![CDATA[Object Detection]]></category>
		<category><![CDATA[pytorch]]></category>
		<guid isPermaLink="false">http://structilmy.com/?p=1700</guid>

					<description><![CDATA[Pada tutorial ini kita akan coba membuat object detection model dengan custom dataset kita sendiri menggunakan PyTorch Detectron 2. Facebook Detectron 2 adalah salah satu python framework yang dapat digunakan untuk kasus object detection. Detectron dikembangkan oleh Facebook dengan menggunakan basis PyTorch sebagai deep learning frameworknya. Bagi yang belum tahu tentang PyTorch, bisa cek website [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Pada tutorial ini kita akan coba membuat object detection model dengan custom dataset kita sendiri menggunakan <a href="https://github.com/facebookresearch/detectron2/" target="_blank" rel="noreferrer noopener">PyTorch Detectron 2</a>.</p>



<p class="wp-block-paragraph"><a href="https://github.com/facebookresearch/detectron2/" target="_blank" rel="noreferrer noopener">Facebook Detectron 2</a> adalah salah satu python framework yang dapat digunakan untuk kasus object detection.  Detectron dikembangkan oleh Facebook dengan menggunakan basis PyTorch sebagai deep learning frameworknya. Bagi yang belum tahu tentang PyTorch, bisa cek <a href="https://pytorch.org/" target="_blank" rel="noreferrer noopener">website resminya</a> atau kunjungi tutorial kami <a href="https://structilmy.com/2019/07/convolutional-neural-network-cnn-menggunakan-pytorch/" target="_blank" rel="noreferrer noopener">sebelumnya di sini</a>.</p>



<p class="wp-block-paragraph">Framework lain untuk deteksi objek yang cukup populer adalah <a href="https://github.com/tensorflow/models/tree/master/research/object_detection" target="_blank" rel="noreferrer noopener">Tensorflow object-detection API</a> (TFOD) yang dikembangkan oleh Google. Keduanya hampir memiliki fitur utama yang sama, salah satunya mereka menyediakan Model Zoo, di mana kita bisa mulai proses training menggunakan model yang sudah ada (pretrained model).</p>



<p class="has-text-align-center wp-block-paragraph"><strong> Artikel telah di update 16 Januari 2020 pada perubahan instalasi Detectron 2 versi 0.3</strong></p>



<h2 class="wp-block-heading">Detectron 2 Tutorial</h2>



<p class="wp-block-paragraph">Pada tutorial ini kita akan menggunakan <a href="https://structilmy.com/2019/05/mengenal-google-colab/">Google Colab</a>. Contoh code yang akan dibahas pada artikel ini <a href="https://colab.research.google.com/drive/1XvYUqBzSxwULia2ecu5FCfIFmtlGPMjD?usp=sharing" target="_blank" rel="noreferrer noopener"><strong>tersedia di sini</strong>.</a></p>



<div class="wp-block-image"><figure class="alignright size-large is-resized"><img data-recalc-dims="1" loading="lazy" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/Screenshot-from-2020-09-29-10-37-01.png?resize=166%2C125&#038;ssl=1" alt="" class="wp-image-2030" width="166" height="125"/><figcaption>Detectron 2 Logo</figcaption></figure></div>



<ol class="wp-block-list"><li><a href="#dataset">Dataset</a></li><li><a href="#instalasi">Instalasi</a></li><li><a href="#datasetcatalog">Menyiapkan DatasetCatalog</a></li><li><a href="#training">Training Model</a></li><li><a href="#save">Save and Load Model</a></li></ol>



<h3 class="wp-block-heading" id="dataset">1. Dataset</h3>



<p class="wp-block-paragraph">Dataset yang akan kita gunakan sama dengan dataset dari tutorial sebelumnya. Kita akan mendeteksi pada suatu citra apakah ada kangguru atau rakun. Penjelasan detail format data dan bagaimana memprosesnya dapat dilihat pada <a href="https://structilmy.com/2020/06/object-detection-dengan-tensorflow-dan-google-colab-1/">artikel sebelumnya</a>. Tapi, karena artikel sebelumnya digunakan untuk object detection dengan Tensorflow sedangkan kita di sini akan menggunakan PyTorch Detectron, maka kita tidak perlu memproses data sampai membuat file tfrecord, cukup sampai bagian <a href="https://structilmy.com/2020/06/object-detection-dengan-tensorflow-dan-google-colab-1/#membuat-file-csv">membuat file csv.</a></p>



<p class="wp-block-paragraph">Dataset latihan dapat didownload melalui github dengan menuliskan perintah berikut di google colab. Detail dataset dapat dibaca di file Readme:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">! git clone https://github.com/rianrajagede/object-detection.git</pre>



<span id="more-1700"></span>



<h3 class="wp-block-heading" id="instalasi">2. Instalasi Detectron 2</h3>



<p class="wp-block-paragraph">Sebelum menginstall detectron kita perlu menginstall PyTorch, pyyaml, dan pycocotools dengan versi yang sesuai. Di Google Colab PyTorch sudah otomatis terinstall, kita cukup menginstall 2 package sisanya melalui Google Colab:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="powershell" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">! pip install pyyaml==5.1 pycocotools==2.0.1</pre>



<p class="wp-block-paragraph">Kita juga perlu memperhatikan versi PyTorch yang tersedia dan versi Cuda. Hal ini bisa dilakukan dengan menjalankan perintah berikut di Colab:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="python" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">import torch
print(torch.__version__)</pre>



<p class="wp-block-paragraph">Pada saat tutorial ini ditulis, output dari perintah di atas adalah <code>1.6.0+cu101</code> yang artinya terinstall PyTorch versi 1.6.0 dengan Cuda versi 10.1. Selanjutnya kita cukup install Detectron berdasarkan versi yang sesuai, petunjukknya dapat dibaca di link berikut.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="powershell" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">! python -m pip install detectron2 -f  https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.7/index.html</pre>



<h3 class="wp-block-heading" id="datasetcatalog">3. Menyiapkan DatasetCatalog</h3>



<p class="wp-block-paragraph">Detectron menyimpan dataset pada sebuah object bernama DatasetCatalog. Sebelum memulai training, kita perlu mengconvert dataset kita yang awalnya berbentuk XML ke DatasetCatalog.</p>



<p class="wp-block-paragraph">DatasetCatalog adalah sebuah list of dictionary dengan setiap elemennya berformat sebagai berikut:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">{'annotations':
    [{'bbox': [LIST KOORDINAT BOUNDING BOX 1],
       'bbox_mode': &lt;FORMAT BOUNDING BOX 1>,
       'category_id': LABEL INDEX OBJECT 1},
     {'bbox': [LIST KOORDINAT BOUNDING BOX 2],
       'bbox_mode': &lt;FORMAT BOUNDING BOX 2>,
       'category_id': LABEL INDEX OBJECT 2},
       .... ],
 'file_name': 'PATH KE FILE JPG',
 'height': TINGGI GAMBAR,
 'width': LEBAR GAMBAR,
 'image_id': ID GAMBAR,
}</pre>



<p class="wp-block-paragraph">Code yang diperlukan untuk mengconvert dari CSV dataset kita sebagai berikut (penjelasan dalam bentuk komentar):</p>



<pre class="EnlighterJSRAW" data-enlighter-language="python" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group=""># Buat dictionary berisikan nama label dan indexnya
labelmap = {
    "kangaroo" : 0,
    "raccoon" : 1
}

# Buat fungsi get_dicts() untuk mengconvert XML ke DatasetCatalog.
# Parameter settype digunakan untuk membedakan file dataset,
# Karena data test dan data train diperlakukan sama, maka saya
# memilih untuk menggunakan satu fungsi untuk memproses dua 
# DatasetCatalog, yaitu untuk train dan untuk test
def get_dicts(settype):
    if settype=="test":
        csvpath = main_path+"/test_labels.csv"
    else:
        csvpath = main_path+"/train_labels.csv"

    df = pd.read_csv(csvpath).values # load dataset

    dataset_dicts = []
    done = []
    for idx in range(len(df)):
        record = {}
        filename = df[idx, 0]
        record["image_id"] = idx
        record["file_name"] =  main_path+"/"+settype+"/"+filename
        record["width"] = df[idx, 1]
        record["height"] = df[idx, 2]

        if filename in done: # untuk menghindari duplikat
            continue
        done.append(filename)

        objs = []
        for row in df[df[:,0]==filename]: # simpan semua objek
            objs.append({
                    "bbox": [ row[4], row[5], row[6], row[7]],
                    "bbox_mode": BoxMode.XYXY_ABS,
                    "category_id": labelmap[row[3]],
            })
        record["annotations"] = objs
        dataset_dicts.append(record)

    return dataset_dicts</pre>



<p class="wp-block-paragraph">Selanjutnya kita cukup menggunanakan perintah berikut untuk membuat DatasetCatalog dengan nama <code>rk_train</code> dan <code>rk_test</code>. Sekaligus kita juga membuat MetadataCatalog untuk menyimpan informasi objeknya.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="python" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">DatasetCatalog.register("rk_train", lambda t="train":get_dicts(t))
DatasetCatalog.register("rk_test", lambda t="test":get_dicts(t))
MetadataCatalog.get("rk_train").set(thing_classes=["kangaroo", "raccoon"])
MetadataCatalog.get("rk_test").set(thing_classes=["kangaroo", "raccoon"])</pre>



<h3 class="wp-block-heading" id="training">4. Training Model</h3>



<p class="wp-block-paragraph">Dengan menggunakan pretrained model, yang perlu kita lakukan adalah mendownload model dari Model Zoo lalu melakukan sedikit config atau pengaturan. Detail penjelasan pengaturan ini dapat dilihat di dokumentasi resmi Detectron 2.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="python" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">from detectron2.engine import DefaultTrainer
from detectron2.config import get_cfg

cfg = get_cfg()
pre_mod = "COCO-Detection/faster_rcnn_X_101_32x8d_FPN_3x.yaml"

# pilih dan download model
cfg.merge_from_file(model_zoo.get_config_file(pre_mod))
cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url(pre_mod)

# atur data train dan test
cfg.DATASETS.TRAIN = ("rk_train",)
cfg.DATASETS.TEST = ()

# atur pelatihan
cfg.DATALOADER.NUM_WORKERS = 2
cfg.SOLVER.IMS_PER_BATCH = 2
cfg.SOLVER.BASE_LR = 0.005  # learning rate
cfg.SOLVER.MAX_ITER = 100  # banyak iterasi
cfg.MODEL.ROI_HEADS.BATCH_SIZE_PER_IMAGE = 48
cfg.MODEL.ROI_HEADS.NUM_CLASSES = 2</pre>



<p class="wp-block-paragraph">Setelah pengaturan di atas, proses training cukup menjalankan perintah berikut:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="python" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group=""># membuat direktori output pelatihan
os.makedirs(cfg.OUTPUT_DIR, exist_ok=True)

trainer = DefaultTrainer(cfg) 
 # resume=False artinya pelatihan baru bukan melanjutkan
trainer.resume_or_load(resume=False)
trainer.train()</pre>



<p class="wp-block-paragraph">Hasil dari proses pelatihan ini akan muncul di folder <code>output</code>. Model akhir bernama <code>model_final.pth</code></p>



<div class="wp-block-image"><figure class="aligncenter size-large"><img data-recalc-dims="1" loading="lazy" decoding="async" width="990" height="235" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/Screenshot-from-2020-09-29-14-48-37.png?resize=990%2C235&#038;ssl=1" alt="" class="wp-image-2035" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/Screenshot-from-2020-09-29-14-48-37.png?w=990&amp;ssl=1 990w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/Screenshot-from-2020-09-29-14-48-37.png?resize=300%2C71&amp;ssl=1 300w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/Screenshot-from-2020-09-29-14-48-37.png?resize=768%2C182&amp;ssl=1 768w" sizes="auto, (max-width: 990px) 100vw, 990px" /><figcaption>Tampilan proses pelatihan</figcaption></figure></div>



<h3 class="wp-block-heading" id="save">5. Load Model</h3>



<p class="wp-block-paragraph">Kita bisa gunakan model akhir tersebut untuk mendeteksi citra dengan langkah berikut. Pertama-tama kita load terlebih dahulu model dan beri sedikit pengaturan treshold.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="python" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">cfg.MODEL.WEIGHTS = os.path.join("output/", "model_final.pth")
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.8  
predictor = DefaultPredictor(cfg)</pre>



<p class="wp-block-paragraph"><code>predictor</code> adalah objek model kita. Untuk melakukan deteksi kita cukup menuliskan perintah berikut:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="python" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">from detectron2.utils.visualizer import ColorMode

im = cv2.imread("/content/TestImage.png") # load image
outputs = predictor(im) # predict
v = Visualizer(im[:, :, ::-1], metadata=metadata, scale=0.8) # visualisasi
out = v.draw_instance_predictions(outputs["instances"].to("cpu"))
cv2_imshow(out.get_image()[:, :, ::-1])</pre>



<p class="wp-block-paragraph">Variabel <code>outputs</code> yang dihasilkan menyimpan data-data seperti koordinat bounding box, score, dan class object pada gambar sehingga mudah diolah. Untuk visualisasi kita bisa memanfaatkan fungsi <code>Visualizer</code> bawaan Detectron yang dapat langsung menampilkan gambar disertai bounding boxnya seperti di bawah ini:</p>



<figure class="wp-block-image size-large"><img data-recalc-dims="1" loading="lazy" decoding="async" width="345" height="261" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/index.png?resize=345%2C261&#038;ssl=1" alt="" class="wp-image-2036" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/index.png?w=345&amp;ssl=1 345w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/09/index.png?resize=300%2C227&amp;ssl=1 300w" sizes="auto, (max-width: 345px) 100vw, 345px" /></figure>



<p class="wp-block-paragraph">Sekian tutorialnya, semoga bermanfaat! kode yang kami bahas di artikel ini <a href="https://colab.research.google.com/drive/1XvYUqBzSxwULia2ecu5FCfIFmtlGPMjD?usp=sharing" target="_blank" rel="noreferrer noopener"><strong>tersedia di sini</strong>.</a></p>
]]></content:encoded>
					
					<wfw:commentRss>https://structilmy.com/blog/2020/10/01/object-detection-dengan-pytorch-detectron-2-dan-colab/feed/</wfw:commentRss>
			<slash:comments>11</slash:comments>
		
		
		<post-id xmlns="com-wordpress:feed-additions:1">1700</post-id>	</item>
		<item>
		<title>Object Detection dengan Tensorflow dan Google Colab [1]</title>
		<link>https://structilmy.com/blog/2020/06/10/object-detection-dengan-tensorflow-dan-google-colab-1/</link>
					<comments>https://structilmy.com/blog/2020/06/10/object-detection-dengan-tensorflow-dan-google-colab-1/#comments</comments>
		
		<dc:creator><![CDATA[Rian Adam]]></dc:creator>
		<pubDate>Wed, 10 Jun 2020 00:26:26 +0000</pubDate>
				<category><![CDATA[Computer Vision]]></category>
		<category><![CDATA[Tutorial]]></category>
		<category><![CDATA[Object Detection]]></category>
		<category><![CDATA[Tensorflow]]></category>
		<guid isPermaLink="false">http://structilmy.com/?p=1555</guid>

					<description><![CDATA[Jadi saya baru-baru ini dapat ajakan untuk membuat sebuah aplikasi yang menggunakan metode object detection untuk mengetahui objek apa saja yang ada pada citra dan posisinya di mana melalui tangkapan kamera Handphone. Membuat model object detection bukanlah suatu yang mudah, dan menjadikannya bisa dijalankan di Handphone adalah masalah yang lain lagi. Pada artikel ini saya [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Jadi saya baru-baru ini dapat ajakan untuk membuat sebuah aplikasi yang menggunakan metode object detection untuk mengetahui objek apa saja yang ada pada citra dan posisinya di mana melalui tangkapan kamera Handphone.</p>



<div class="wp-block-image"><figure class="aligncenter size-large is-resized"><img data-recalc-dims="1" loading="lazy" decoding="async" src="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/04/35504975-a5db962c-04f5-11e8-9a9f-1d803f86af7f.png?resize=364%2C273&#038;ssl=1" alt="object detection illustration" class="wp-image-1567" width="364" height="273" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/04/35504975-a5db962c-04f5-11e8-9a9f-1d803f86af7f.png?w=500&amp;ssl=1 500w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/04/35504975-a5db962c-04f5-11e8-9a9f-1d803f86af7f.png?resize=300%2C225&amp;ssl=1 300w" sizes="auto, (max-width: 364px) 100vw, 364px" /><figcaption><sup>Pada permasalahan object detection, sistem tidak hanya mengenali itu objek apa, tetapi juga di mana objek itu berada pada gambar (salah satunya dengan memberi kotak/bounding box)</sup></figcaption></figure></div>



<p class="wp-block-paragraph">Membuat model object detection bukanlah suatu yang mudah, dan menjadikannya bisa dijalankan di Handphone adalah masalah yang lain lagi. Pada artikel ini saya akan coba jelaskan bagaimana membuat sebuah model object detection menggunakan custom dataset buatan sendiri yang nantinya dapat diaplikasikan ke mobile (Android/IOS). <strong>Artikel ini fokus ke tahap pertama, yakni penyiapan data</strong>.</p>



<h2 class="wp-block-heading">Tensorflow Object Detection API</h2>



<p class="wp-block-paragraph">Kami menggunakan framework <a href="https://www.tensorflow.org/">Tensorflow</a> untuk menyelesaikan permasalahan ini. Ada beberapa pertimbangan kenapa framework ini cukup cocok untuk melakukan object detection melalui handphone:</p>



<ol class="wp-block-list"><li>Salah satu keunggulan Tensorflow adalah kemudahannya dalam mengimplementasi model ke Handphone Android, misalnya dengan mengkonversi model menjadi <a href="https://www.tensorflow.org/lite">TFLite model</a>. (Tensorflow dan Android sama-sama dipegang Google)</li><li>Selain itu Tensorflow juga menyediakan beberapa API yang memudahkan kita dalam proses pembuatan model object detection dengan <strong>custom dataset</strong> (dataset buatan kita sendiri).</li></ol>



<p class="wp-block-paragraph">Pada artikel ini Kami akan menggunakan Tensorflow versi 2. Tensorflow dan Tensorflow object detection diinstall secara terpisah. Detailnya bisa dilihat sesuai dokumentasi resminya (bisa update setiap waktu) atau di artikel selanjutnya.</p>



<h2 class="wp-block-heading">Dataset untuk Object Detection</h2>



<p class="wp-block-paragraph">Format dataset untuk Object Detection berbeda dengan dataset yang digunakan pada <a href="https://structilmy.com/2019/07/convolutional-neural-network-cnn-menggunakan-pytorch/">klasifikasi citra biasa</a>. Data yang digunakan untuk kasus deteksi objek biasa memiliki label berupa file terpisah yang mencatat nama objek dan lokasi objek tersebut pada suatu citra. File label ini seringnya disebut file anotasi.</p>



<p class="wp-block-paragraph">Terdapat dua style penulisan file anotasi yang cukup populer, yakni style COCO dataset dan PASCAL-VOC. Pada tutorial ini Kami menggunakan format PASCAL-VOC XML dengan contoh tampilan seperti berikut:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="xml" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">&lt;annotation>
	&lt;folder>My Drive&lt;/folder>
	&lt;filename>Image1.jpg&lt;/filename>
	&lt;path>C:\My Drive\Image1.jpg&lt;/path>
	&lt;source>
		&lt;database>Unknown&lt;/database>
	&lt;/source>
	&lt;size>
		&lt;width>1280&lt;/width>
		&lt;height>720&lt;/height>
		&lt;depth>3&lt;/depth>
	&lt;/size>
	&lt;segmented>0&lt;/segmented>
	&lt;object>
		&lt;name>Object 1&lt;/name>
		&lt;pose>Unspecified&lt;/pose>
		&lt;truncated>0&lt;/truncated>
		&lt;difficult>0&lt;/difficult>
		&lt;bndbox>
			&lt;xmin>925&lt;/xmin>
			&lt;ymin>343&lt;/ymin>
			&lt;xmax>1097&lt;/xmax>
			&lt;ymax>464&lt;/ymax>
		&lt;/bndbox>
	&lt;/object>
&lt;/annotation>
</pre>



<p class="wp-block-paragraph">Jadi pada contoh di atas saya punya file citra &#8220;Image1.jpg&#8221; dan file XML &#8220;Image1.xml&#8221;. Isi dari file XML nya adalah data di atas. Berisikan koordinat objek yang ingin dideteksi. Pembuatan file XML ini tidak perlu dibuat manual (diketik satu persatu), kita bisa menggunakan software anotasi. Anotasi citra diatas dibuat menggunakan software <a href="https://github.com/tzutalin/labelImg">labelimg</a>.</p>



<h2 class="wp-block-heading">Penyiapan Dataset</h2>



<p class="wp-block-paragraph">Dataset dengan format di atas belum bisa langsung diproses oleh Tensorflow. Ada beberapa penyesuaian data yang perlu dilakukan sebelum masuk ke proses model training, kira-kira alur pemrosesan datanya akan seperti ini:</p>



<figure class="wp-block-image size-large"><img loading="lazy" decoding="async" width="1542" height="316" src="https://i2.wp.com/structilmy.com/wp-content/uploads/2020/05/objdet1.png?fit=1024%2C210&amp;ssl=1" alt="" class="wp-image-1632" srcset="https://i0.wp.com/structilmy.com/wp-content/uploads/2020/05/objdet1.png?w=1542&amp;ssl=1 1542w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/05/objdet1.png?resize=300%2C61&amp;ssl=1 300w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/05/objdet1.png?resize=1024%2C210&amp;ssl=1 1024w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/05/objdet1.png?resize=768%2C157&amp;ssl=1 768w, https://i0.wp.com/structilmy.com/wp-content/uploads/2020/05/objdet1.png?resize=1536%2C315&amp;ssl=1 1536w" sizes="auto, (max-width: 1090px) 100vw, 1090px" /></figure>



<ol class="wp-block-list"><li>Jadi setelah punya gambar beserta anotasi XML untuk setiap gambar, langkah pertama adalah kita perlu convert dulu ke CSV. File CSV ini hanya terdiri dari 1 file yang &#8220;merangkum&#8221; semua file xml yang kita punya</li><li>Dari file CSV tersebut lalu kita convert ke <strong>TFRecord </strong>file, suatu objek yang dapat dibaca oleh tensorflow dengan mudah. </li><li>File TFRecord ini yang nantinya akan digunakan untuk proses pelatihan.</li></ol>



<p class="wp-block-paragraph">Perlu diperhatikan, untuk memudahkan <strong>semisal perlu ada pembagian data train, data validation, dan data test, proses pemisahan ini dilakukan sebelum konvert ke CSV</strong> ya, jadi ilustrasi di atas hanya untuk salah satu set, data train misalnya.</p>



<span id="more-1555"></span>



<h2 class="wp-block-heading">1. Struktur Folder Penyimpanan</h2>



<p class="wp-block-paragraph">Sebelum mulai, kita samakan dulu struktur folder penyimpanannya. Berikut struktur folder yang biasa saya gunakan:</p>



<ul class="wp-block-list"><li>DATASET<ul><li>train<ul><li>image1.jpg</li><li>image1.xml</li><li>image2.jpg</li><li>image2.xml</li><li>&#8230;</li></ul></li><li>test<ul><li>image102.jpg</li><li>image102.xml</li><li>&#8230;</li></ul></li></ul><ul><li>validation<ul><li>&#8230;</li></ul></li></ul></li></ul>



<p class="wp-block-paragraph">Jadi kita punya folder &#8220;DATASET&#8221; lalu di dalamnya ada 3 buah subfolder, train, test, dan validation. Masing-masing folder tersebut berisikan image dan file xml nya. Di sini file image bisa jadi terdiri dari beberapa kelas (seperti contoh gambar di atas artikel ini). <strong>Image dengan nama yang berbeda harus merujuk ke citra yang memang berbeda</strong>.</p>



<h2 class="wp-block-heading">Source Code</h2>



<p class="wp-block-paragraph">Pada artikel ini saya menggunakan script-script yang saya modifikasi dari internet. Script-script tersebut dapat diakses di <a rel="noreferrer noopener" href="https://github.com/rianrajagede/object-detection" target="_blank">https://github.com/rianrajagede/object-detection</a>. Ada 2 cara penggunaan script tersebut:</p>



<ol class="wp-block-list"><li>Kita run di komputer kita dengan menjalankan perintah <code>python namascript.py</code> di folder yang sesuai</li><li>Atay jika ingin menggunakan script-script tersebut di Google Colab, silakan upload script tersebut di drive lalu jalankan perintah-perintah di bawah nanti dengan tambahan tanda seru: <code>!python path/ke/file.py ...</code> di notebook Google Colab.</li></ol>



<h2 class="wp-block-heading" id="membuat-file-csv">2. Membuat file CSV</h2>



<p class="wp-block-paragraph">Setelah folder telah siap, proses selanjutnya adalah membuat sebuah <strong>file csv untuk setiap subfolder</strong>. Sebenarnya proses ini tidak wajib, tapi mengulik data dalam format xml yang terpisah-pisah menurut saya jauh lebih sulit.</p>



<p class="wp-block-paragraph">Silakan gunakan script yang telah saya sedikit modifikasi dari internet, <code>xml_to_csv.py</code>. Copy script tersebut ke dalam folder DATASET. Setelah itu jalankan script tersebut 3x dengan perintah berikut:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">python xml_to_csv.py --type train
python xml_to_csv.py --type test
python xml_to_csv.py --type validation</pre>



<p class="wp-block-paragraph">Setelah program tersebut dijalankan nanti akan didapat 3 buah file: <code>train_labels.csv</code>, <code>test_labels.csv</code>,  dan <code>validation_labels.csv</code>. Masing-masing file menyimpan &#8220;ringkasan&#8221; data untuk masing-masing subfolder.</p>



<h2 class="wp-block-heading">2.5 Membuat file Label Map</h2>



<p class="wp-block-paragraph">Sebelum membuat file TFrecord kita perlu membuat dulu file labelmap. File labelmap berisi daftar keseluruhan label yang ada pada dataset. Untuk data dengan jumlah label yang sedikit, membuat labelmap tidak lah sulit secara manual, formatnya kira-kira seperti ini:</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">item{
    id: 1
    name: 'KUDA'
}
item{
    id: 2
    name: 'MOBIL'
}
...</pre>



<p class="wp-block-paragraph">Tapi karena di beberapa proyek, label objek pada dataset cukup banyak, maka saya sudah buatkan script yang meng-generate secara otomatis, <code>generate_labelmap.py</code>. Copy script tersebut ke dalam folder DATASET, lalu jalankan <code>generate_labelmap.py</code> dengan perintah di bawah. Perlu diperhatikan, ketika perintah ini dijalankan pastikan sudah tersedia <code>train_labels.csv</code> dan pastikan juga semua label ada di data train.</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">python generate_labelmap.py</pre>



<p class="wp-block-paragraph">Setelah dijalankan maka akan diperoleh <code>label_map.pbtxt</code> yang berisikan daftar semua label yang ada di data train.</p>



<h2 class="wp-block-heading">Membuat file tfrecord</h2>



<p class="wp-block-paragraph">Langkah terakhir yang perlu dilakukan adalah membuat file tfrecord. File ini adalah objek penyimpanan data yang didesain oleh tensorflow untuk kemudahan pengaksesan data di tensorflow. Jalankan file <code>generate_tfrecord_v2.py</code> dengan perintah di bawah (maksud dari <code>v2</code> adalah script ini untuk tensorflow versi 2):</p>



<pre class="EnlighterJSRAW" data-enlighter-language="generic" data-enlighter-theme="" data-enlighter-highlight="" data-enlighter-linenumbers="" data-enlighter-lineoffset="" data-enlighter-title="" data-enlighter-group="">python generate_tfrecord_v2.py --csv_input train_labels.csv --image_dir train --labelmap_dir label_map.pbtxt --output_path train.record</pre>



<p class="wp-block-paragraph">Perintah di atas akan mengkombinasikan <code>train_labels.csv</code>, <code>label_map.pbtxt</code> dan image pada folder train menjadi sebuah file <code>train.record</code> yang sudah dapat digunakan untuk proses pelaithan dengan tensorflow. Untuk data yang besar, proses ini bisa memakan waktu paling lama komputasinya. </p>



<p class="wp-block-paragraph">Lakukan langkah-langkah di atas ke data test dan validation dengan mengubah beberapa parameter pentingnya (nama file, path, dsb).</p>



<p class="wp-block-paragraph">Setelah mendapatkan ketiga file .record maka langkah selanjutnya adalah proses pelatihan model! InsyaAllah akan kami bahas di artikel selanjutnya. Semoga bermanfaat!</p>
]]></content:encoded>
					
					<wfw:commentRss>https://structilmy.com/blog/2020/06/10/object-detection-dengan-tensorflow-dan-google-colab-1/feed/</wfw:commentRss>
			<slash:comments>16</slash:comments>
		
		
		<post-id xmlns="com-wordpress:feed-additions:1">1555</post-id>	</item>
	</channel>
</rss>

<!--
Performance optimized by W3 Total Cache. Learn more: https://www.boldgrid.com/w3-total-cache/?utm_source=w3tc&utm_medium=footer_comment&utm_campaign=free_plugin

Object Caching 0/157 objects using Memcache
Page Caching using Disk: Enhanced 
Database Caching using Redis

Served from: structilmy.com @ 2026-11-17 06:57:55 by W3 Total Cache
-->