<![CDATA[Implementasi Convolutional Neural Network (CNN) pada teknologi visi komputer sering terkendala oleh tingginya kebutuhan komputasi dan konsumsi energi sehingga sulit diterapkan pada perangkat edge dengan sumber daya terbatas. Penelitian ini bertujuan mengembangkan model deteksi kendaraan dan plat nomor yang efisien namun tetap akurat dengan mengompresi arsitektur YOLOv8m. Metode yang diusulkan mengintegrasikan tiga tahap: Dynamic Sparse Training dengan regularisasi L1 pada faktor skala Batch Normalization, structured channel pruning berbasis dependency graph, serta hybrid knowledge distillation yang menggabungkan distilasi logit dan Channel-Wise Distillation (CWD) dari model teacher ke model student. Evaluasi dilakukan pada dataset gabungan MS COCO dan citra plat nomor dengan 7.344 citra validasi. Hasil eksperimen menunjukkan bahwa metode yang diusulkan mereduksi jumlah parameter sebesar 77,6% (dari 25,84 juta menjadi 5,78 juta) dan kompleksitas komputasi sebesar 74,6% (dari 78,7 menjadi 20,0 GFLOPs), serta mempercepat inferensi 1,42 kali (dari 1,7 ms menjadi 1,2 ms). Model terkompresi mempertahankan sekitar 96% akurasi model asal dengan penurunan mAP@50–95 hanya 0,022, sementara akurasi kelas plat nomor tetap terjaga pada 94%. Kombinasi pruning dan distilasi berbasis fitur terbukti efektif menghasilkan model yang ringan dan andal untuk inferensi real-time pada perangkat edge.]]>
Copyrights © 2026
