Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2026
- Tujuan
- Nomor
- f585c420-bf15-4127-9974-bec71e06553a
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro (UDINUS), melalui peneliti Pradana, Afu Ichsan; Rustad, Supriadi; Shidik, Guruh Fajar; dan Santoso, Heru Agus, melaksanakan studi mengenai OM-YOLO, yaitu model deteksi yang tangguh dan efisien untuk mempertahankan fitur pada rambu lalu lintas berukuran kecil. Kegiatan ini membahas kesulitan deteksi rambu lalu lintas berskala kecil dalam sistem transportasi cerdas, ketika penurunan resolusi spasial dan gangguan latar visual yang kompleks sering menghambat proses deteksi. Studi tersebut mengusulkan OM-YOLO sebagai model yang dioptimalkan berdasarkan baseline YOLOv8s.
Untuk meningkatkan presisi deteksi dan mengurangi jumlah parameter secara keseluruhan, studi ini menghapus lapisan deteksi objek besar pada baseline dan memasukkan kepala deteksi objek kecil yang khusus. Omni-Dimensional Dynamic Convolution (ODConv) diintegrasikan ke dalam backbone untuk mengekstraksi fitur lokal yang kaya secara adaptif dari jumlah piksel yang minimal. Dalam arsitektur neck, modified Receptive Field Block (mRFB) menggunakan tingkat dilasi yang ringkas untuk memperluas area reseptif sekaligus mencegah efek gridding yang merusak. Arsitektur tersebut juga mengintegrasikan fungsi loss Wise Intersection over Union versi 3 (WIoUv3) untuk mendukung regresi bounding box yang stabil ketika memproses sampel berkualitas rendah melalui mekanisme pemfokusan dinamis.
Evaluasi empiris pada dataset TT100K menunjukkan bahwa OM-YOLO mencapai mAP@0.5 sebesar 90,0%, atau meningkat 2,9% dibandingkan YOLOv8s. Model ini mencapai akurasi tersebut dengan mengurangi jumlah parameter total sebesar 58,5% menjadi 4,6 juta dan mempertahankan kecepatan inferensi waktu nyata sebesar 120 FPS. Evaluasi lintas dataset pada koleksi GTSDB dan CCTSDB mengonfirmasi kemampuan generalisasi spasial yang andal. Studi ini menyajikan OM-YOLO sebagai arsitektur yang layak dan seimbang untuk implementasi pada perangkat edge dalam kendaraan otonom. Kegiatan UDINUS ini mendokumentasikan penelitian institusional mengenai deteksi rambu lalu lintas berukuran kecil, kinerja deteksi, efisiensi komputasi, dan generalisasi spasial dalam sistem transportasi cerdas.