BAB III
PERANCANGAN DAN REALISASI
18
19
graph tensor sehingga menjadi model yang akan siap dipakai guna
untuk mendeteksi objek. Pendeteksian objek akan menghasilkan
gambar yang dilakukan pada proses testing yang diambil melalui
kamera dan ditampilkan pada PC/Laptop. Diagram alir (flowchart) bias
dilihat pada Gambar 3.3.
3.6 Pemrograman
Program ini dimulai dari pengumpulan data yang diambil dengan
kamera smartphone yang kemudian dikumpulkan dalam folder images
yang didalamnya sudah dipisahkan pada folder train dan test. Pelabelan
gambar menggunakan aplikasi labelimg. Output pelabelan berupa file
XML (Xtensible Markup Language) dan dalam format PASCAL VOC.
Proses pelabelan klasifikasi kendaraan dapat dilihat pada Gambar 3.4,
Gambar 3.5, Gambar 3.6, Gambar 3.7, dan Gambar 3.8.
python xml_to_csv.py
Setelah proses konversi XML ke CSV kemudian konversi ke TFRecord
yang digunakan untuk feeding data pada proses training, pada gambar
3.11 dibawah ini merupakan kode pembuatan TFRecord :
Tahap selanjutnya adalah tahap pelatihan Neural Network, pada tahap ini
Neural Network dilatih untuk mempelajari pola yang menghasilkan suatu
pengenalan deteksi objek dengan akurasi yang tinggi. Kode program pada
proses Training bisa dilihat pada Gambar 3.14.
Setelah kode pada proses training dan disimpan pada file object detection
kemudian proses memanggil training pada command prompt.
python train.py \ --logtostderr \ --
train_dir=training \ --
pipeline_config_path=training/sign_label_v1.config
Jika proses training selesai, maka selanjutnya adalah mengekspor
inference graph dan akan menjadikan model yang akan siap untuk dipakai.
Kemudian setelah diekspor akan tampak visualisasi rancangan output yang
menandakan sebuah objek yang disertai label dan tingkat akurasi dari
pendeteksian tersebut.