TUGAS WORKSHOP COMPUTER VISION

Langkah-langkah training deteksi obyek menggunakan haartraining:

1. Mencari dan mengumpulkan obyek yang akan dijadikan obyek deteksi

a. Contoh obyek: buah jeruk, sepatu, bola, dll
b. Gambar yang dikumpulkan harus cukup banyak, minimal 100 gambar
i. Gambar boleh hanya beberapa, misalnya berasal dari 10 obyek (buah jeruk 10
buah) tetapi harus unique/berbeda-beda.
ii. Untuk mendapatkan 100 gambar dari 10 buah jeruk yang unique tadi, maka bisa
dilakukan : memperkaya posisi pengambilan gambar (misalnya satu buah jeruk
diambil dari beberapa sudut pemotretan).
iii. Kemudian setiap gambar tadi bisa diperkaya lagi jumlahnya dengan melakukan
teknik blurring, noising, resizing (dari size besar, kemudian dikecilkan, kemudian
dibesarkan lagi sehingga resolusi gambar tampak pecah-pecah/kotak-kotak)
2. Mengumpulkan gambar lain non obyek deteksi
a. Bisa menggunakan gambar pemandangan, bangunan, dll
b. Jumlah gambar adalah sebanyak-banyaknya (minimal 2 kali jumlah gambar obyek
yang akan dideteksi)
3. Memotong gambar sesuai ukuran obyek dalam gambar
a. Menggunakan fasilitas program gratis bernama imageclipper (bisa didownload dari :
https://code.google.com/archive/p/imageclipper/downloads).
b. Untuk menggunakannya harus melalui command prompt windows, kemudian
gunakan klik kiri mouse dan tab spasi untuk menyimpan dan lanjut ke gambar
berikutnya secara otomatis.
4. Setelah gambar-gambar obyek dan non obyek diperoleh, maka langkah selanjutnya
adalah mengurutkan nama file obyek (positive) dan non obyek (negative). Perlu
diperhatikan disini bahwa setiap file obyek harus dimasukkan ke dalam folder “positive”
dan setiap file non obyek harus dimasukkan ke dalam folder “negative”. Untuk
mengurutkan nama file, anda bisa menggunakan sebuah tool bantu bernama
AdvancedRenamer. Silakan mencari di Google untuk download secara gratis.
 a. Untuk mulai menggunakan AdvancedRenamer, anda perlu menekan tombol “Add”
untuk memasukkan file-file dalam satu folder atau file yang dipilih sendiri. Jika file-file
obyek dan non obyek sudah dimasukkan dalam sebuah folder misalnya positive dan
negative, maka pilih foldernya. Otomatis semua file dalam folder tersebut akan keluar.
b. Kemudian pilih “Renumber” dari “Add batch method”.
c. Selanjutnya untuk mengeksekusi pengurutan nama file, tekan “START BATCH”.
Voilaaa.....!!! File anda akan terurut secara otomatis.... 
5. Setelah file-file baik positive maupun negative telah diurutkan, langkah selanjutnya
adalah meresize semua ukuran gambar yang telah diurutkan tadi menjadi misalnya 20 x
20 piksel atau 24 x 24 piksel, dst. Untuk contoh diatas, digunakan ukuran gambar resize
24 x 24 piksel. Untuk resize gambar-gambar tersebut, buatlah program tersendiri!
6. Setelah file-file baik positive maupun negative telah diresize, langkah selanjutnya adalah
membuat file “info.dat” dan “bg.txt”. File info.dat berisi tentang path dari file-file positive
dan bg.txt berisi tentang path dari file-file negative. Berikut ini adalah tampilan isi dari file
info.dat dan bg.txt:
 Untuk membuat file ini, silakan membuat program tersendiri untuk menghasilkan
keluaran seperti gambar diatas. Sebagai informasi, beda antara info.dat dan bg.txt adalah
pada info.dat setelah path dan nama file, ada “1” yang menunjukkan jumlah obyek dalam
gambar adalah 1 saja, sedangkan {0,0,24,24} menunjukkan posisi obyek dimulai dari
gambar ter-crop pada posisi kiri atas (0,0) dan kanan bawah (24,24). Contoh diatas adalah
ukuran gambar akhir adalah 24 x 24 piksel.

7. Sebelum melakukan training haar, file info.dat harus diubah dulu ke dalam bentuk vektor.
Gunakan “opencv_createsamples.exe” untuk mengubahnya seperti berikut ini:
Jalankan perintah sebagai berikut:

Perintah diatas adalah untuk membuat file model berakhiran .vec yang menyimpan vector
positive images. Jumlah positive sample sebanyak 100 gambar dengan ukuran gambar adalah
24 x 24 piksel.

Gambar dibawah ini menunjukkan proses pembuatan vector telah berhasil.

8. Untuk melakukan training menggunakan HaarTraining, buka prompt windows seperti
berikut ini:
9. Masukkan perintah berikut ini:

Perintah diatas adalah untuk membuat file model berakhiran .xml yang disimpan dalam nama
folder “nama_obyek” menggunakan vector positive images “sample.vec” dan negative
images “bg.txt”. Jumlah positive sample sebanyak 100 gambar dan negative sample sebanyak
200 gambar. Ukuran gambar adalah 24 x 24 piksel.

Gambar dibawah ini menunjukkan proses training Haar. Training akan berhenti dengan
sendirinya jika seluruh parameter telah tercapai. Proses dapat dihentikan jika pada stage
tertentu proses terlihat seperti mengalami “hang”.