Semua karya

Karya pilihan / Studi kasus

Penghitung Orang CCTV

Pipeline penghitungan orang pada rekaman video yang menggabungkan pembersihan dataset berdasarkan scene, fine-tuning YOLO26s pretrained, tracking, laporan perlintasan garis, dan perbandingan runtime lokal.

Masalah

Membangun alur yang dapat ditelusuri dari ekspor CCTV yang belum bersih ke deteksi serta penghitungan orang, dengan membedakan deteksi per frame, perlintasan berdasarkan arah, dan identitas tracker.

Fokus engineering

Mengaudit duplikasi serta pengelompokan scene, mengevaluasi deteksi dan galat hitungan secara terpisah, serta membandingkan runtime inferensi tanpa menyamakan waktu pemanggilan model dengan throughput pipeline video utuh.

Ringkasan implementasi

  1. Mengaudit dan membersihkan scene

    Mengelompokkan duplikasi ekspor, menyeragamkan label person, dan membagi data berdasarkan keluarga scene.

  2. Fine-tuning dan evaluasi

    Melakukan fine-tuning YOLO26s pretrained dan mengukur kualitas deteksi serta hitungan per frame secara terpisah.

  3. Membandingkan runtime lokal

    Mengekspor backend kompatibel dan membandingkan pemanggilan model dengan dimensi input tetap yang eksplisit.

  4. Melacak rekaman video

    Menggunakan ByteTrack atau BoT-SORT dengan garis virtual terkalibrasi; identitas tracker dapat terfragmentasi.

  5. Meninjau berkas keluaran

    Menulis CSV/JSON dan video beranotasi opsional. Alur ini memakai CLI tanpa API inferensi atau database aplikasi.

Alur komponen yang disusun dari kode yang ditinjau; bukan deployment produksi yang diamati.

Implementasi

  • Mengaudit duplikasi hasil augmentasi, menghapus label sepatu serta adegan non-CCTV, mengonversi label COCO/YOLO menjadi satu kelas person, dan membagi data berdasarkan kelompok scene heuristik menurut domain serta densitas.
  • Melakukan fine-tuning YOLO26s pretrained pada run default, tuned, serta indoor; mengevaluasi deteksi dengan COCOeval dan hitungan dengan MAE, RMSE, bias, serta galat dalam selisih satu.
  • Memproses rekaman video lokal memakai ByteTrack atau BoT-SORT dan Supervision LineZone. Mengekspor occupancy per frame serta perlintasan kumulatif ke CSV/JSON, dengan video beranotasi opsional.
  • Membandingkan PyTorch, ONNX Runtime, OpenVINO, dan TensorRT menggunakan sampel gambar lokal yang sama; memperhatikan dimensi ekspor model tetap dan memisahkan waktu predict dari tracking serta encoding.
  • Mengimplementasikan sampling frame, label awal, penggabungan koreksi manual, serta konfigurasi training toko. Evaluasi khusus toko, galeri error, dan pemantauan progresnya belum diimplementasikan.
  • Mendokumentasikan satu contoh model lokal pada satu frame yang mengembalikan empat deteksi pada confidence 0,25 dan ukuran gambar 640. Ilustrasi yang ditinjau menutupi wajah yang terlihat serta overlay kamera; hasil ini tidak memvalidasi tracking video.

Bukti & kode sumber

Evaluasi run default tersimpan mencakup 475 gambar test dan 1.844 kotak: mAP50 0,8907, mAP50–95 0,5842, MAE hitungan 0,640, selisih maksimal satu 88%, serta hitungan tepat 55,58% pada confidence 0,25. Pemilihan threshold memakai split yang dievaluasi, sehingga hasilnya bersifat eksploratif. Perbandingan historis 40 gambar pada i5-13400F / RTX 4060 Ti mencatat sekitar 19,9 FPS untuk OpenVINO CPU dan 78,3 FPS untuk TensorRT pada 640 piksel, tanpa tracking serta encoding. Eksperimen historis ini tidak dijalankan ulang di sini. Ilustrasi satu frame berasal dari contoh lokal terdokumentasi yang terpisah, bukan evaluasi test historis.

Keputusan & keterbatasan

Keluaran warehouse historis rata-rata memuat 2,35 deteksi hasil tracking ketika README memperkirakan 5–7 orang secara visual, menunjukkan kesenjangan domain. Empat puluh ID tracker kumulatif bukan empat puluh pengunjung terverifikasi. Tidak ada ground truth track ID atau gambar kosong, dan pengelompokan scene bersifat heuristik. ID cadangan bersama −1 dapat menghasilkan lintasan palsu; optimizer=auto dapat mengabaikan learning rate yang diminta. CLI menerima berkas lokal tanpa opsi eksplisit device/ukuran gambar; adaptasi toko masih parsial. Hak distribusi dataset dan model belum terverifikasi: hanya contoh teredaksi atas arahan pemilik yang ditampilkan, tanpa lisensi umum dataset. Tidak ada klaim akurasi operasional, demo terhosting, atau reproduksibilitas lengkap dari paket saja.

Teknologi yang digunakan

  • Python
  • PyTorch
  • YOLO26
  • OpenCV
  • Supervision
  • OpenVINO
  • TensorRT