Kursus Skripsi Tesis Disertasi Python YOLO ~ Sistem Deteksi Objek Autonomus Berbasis YOLO untuk Navigasi Kendaraan Nirawak (UAV)

Berikut adalah silabus lengkap untuk 10 sesi @1.5 jam dengan topik:

📘 Sistem Deteksi Objek Autonomus Berbasis YOLO untuk Navigasi Kendaraan Nirawak (UAV)

🔹Sesi 1: Pengantar UAV dan Deteksi Objek Otomatis

• Pengenalan sistem UAV dan aplikasinya

• Peran deteksi objek dalam navigasi otonom

• Konsep dasar YOLO (You Only Look Once)

• Studi kasus penerapan YOLO pada drone

• Tools: Google Colab, PyTorch, OpenCV

🔹Sesi 2: Arsitektur YOLO dan Variannya (YOLOv4 – YOLOv8)

• Evolusi YOLO dari v1 ke v8

• Perbedaan antara YOLOv4, YOLOv5, YOLOv7, YOLOv8

• Keunggulan YOLOv8 untuk real-time UAV navigation

• Instalasi dan environment setup

🔹Sesi 3: Dataset dan Annotation untuk Deteksi Objek UAV

• Jenis dataset: aerial imagery, drone footage

• Format YOLO (txt) dan bounding box annotation

• Latihan: Annotasi gambar dengan Roboflow / LabelImg

• Pengenalan class-class objek (manusia, kendaraan, rintangan)

🔹Sesi 4: Training YOLOv5/YOLOv8 pada Dataset Aerial

• Preprocessing data

• Konfigurasi file training dan model

• Latihan: Training model dengan dataset aerial

• Evaluasi: Precision, recall, mAP

🔹Sesi 5: Inferensi dan Visualisasi Deteksi pada Gambar dan Video

• Load model YOLO dan uji pada gambar UAV

• Uji model pada video drone

• Analisis real-time performance

• Plot bounding boxes dengan OpenCV

🔹Sesi 6: Integrasi YOLO dengan Sistem UAV (Simulasi)

• Pengenalan ArduPilot, PX4, atau AirSim (simulasi)

• Cara feed kamera UAV ke model deteksi YOLO

• Latihan: Simulasi UAV + Deteksi objek dengan AirSim + YOLO

🔹Sesi 7: Object Avoidance dan Navigasi Dasar

• Konsep navigasi berbasis visi komputer

• Penentuan arah aman dari bounding box hasil YOLO

• Algoritma navigasi sederhana berbasis zona aman

• Studi kasus: Hindari rintangan di jalur UAV

🔹Sesi 8: Optimasi Model untuk Kinerja Real-Time

• Quantization dan pruning model YOLO

• Latihan: Menggunakan YOLOv5 nano atau YOLOv8n

• Deploy model ke Jetson Nano / Raspberry Pi (opsional simulasi)

🔹Sesi 9: Evaluasi Sistem di Lingkungan Nyata / Simulasi

• Metode pengujian UAV: lapangan terbuka vs simulasi

• Pengujian performa deteksi dan respons UAV

• Logging dan analisis data deteksi

🔹Sesi 10: Presentasi Proyek Mini dan Diskusi

• Tiap peserta/grup presentasi:

  • Dataset yang digunakan

  • Arsitektur YOLO dan hasil training

  • Integrasi dengan simulasi navigasi UAV

• Diskusi, evaluasi, dan umpan balik

• Penutup dan potensi pengembangan sistem ke level industri