<![CDATA[Penelitian ini membandingkan performa dua algoritma pendeteksian objek, YOLO (You Only Look Once) dan FOMO (Faster Objects, More Objects), pada ESP32-CAM dengan sumber daya yang lebih rendah. Meskipun YOLO sering digunakan dalam aplikasi pendeteksian objek, namun penggunaannya pada perangkat dengan performa komputer yang rendah, seperti ESP32-CAM, masih terbatas. Sementara FOMO, yang dirancang untuk perangkat dengan keterbatasan komputasi, dianggap mampu memberikan alternatif yang lebih efektif. Penelitian ini mengevaluasi kinerja kedua algoritma berdasarkan tiga parameter utama: akurasi deteksi, waktu inferensi, dan penggunaan memori RAM. Penemuan penelitian menunjukkan, FOMO memiliki keunggulan signifikan dibandingkan YOLOv5 Nano dalam hal waktu inferensi, yang lebih cepat hingga beberapa kali lipat. Meskipun FOMO menghasilkan F1 Score yang sangat tinggi (99,2%), perbandingan akurasi menggunakan metric mAP tidak dapat dilakukan dengan FOMO. YOLOv5 Nano, di sisi lain, memiliki akurasi yang lebih baik pada mAP tetapi membutuhkan waktu inferensi yang lebih lama dan penggunaan memori yang lebih besar. Tujuan dari penelitian ini adalah untuk memastikan bahwa FOMO kekurangan di area lain dan YOLOv5 Nano dapat dioptimalkan lebih lanjut, terutama dalam deteksi objek dan waktu inferensi yang lebih efisien di perangkat dengan sumber daya terbatas.]]>
Copyrights © 2025
