Mini-Yolo

Mini-Yolo adalah implementasi lightweight dari YOLOv8 Nano untuk deteksi objek real-time. Proyek ini menggunakan model pre-trained YOLOv8n untuk melakukan inferensi cepat pada gambar.

Fitur

• 🚀 Deteksi objek real-time menggunakan YOLOv8 Nano
• 📦 Model pre-trained yang siap digunakan
• 🎯 Akurasi tinggi dengan kecepatan inferensi optimal
• 📁 Output tersimpan otomatis di folder runs/detect/predict/

Requirements

• Python 3.8+
• ultralytics
• OpenCV (cv2)
• Torch/TorchVision

Instalasi

1. Clone repository ini:

git clone https://github.com/Rifaldo-dev/Mini-Yolo.git
cd Mini-Yolo

2. Install dependencies:

pip install ultralytics opencv-python torch torchvision

Penggunaan

Jalankan deteksi objek pada gambar dengan perintah:

python main.py <path-to-image>

Contoh:

python main.py image.jpg
python main.py ./sample_image.png

Contoh Hasil Deteksi

Sebelum Pemrosesan

Sesudah Pemrosesan (Dengan Deteksi)

Output

Hasil deteksi akan disimpan di:

runs/detect/predict/
├── image.jpg          # Gambar dengan bounding box dan deteksi
└── labels/           # File label untuk setiap deteksi (jika save_txt=True)

Untuk menyimpan file label dalam format TXT, gunakan perintah:

python main.py image.jpg --save-txt

Model

YOLOv8n (Nano) - Model terkecil dari keluarga YOLOv8

• Size: ~6.3 MB
• Speed: ~80ms per gambar (CPU)
• Accuracy: 37.3% mAP50

File model: yolov8n.pt

Struktur Project

Mini-Yolo/
├── main.py           # Script utama
├── yolov8n.pt        # Model pre-trained
├── README.md         # Dokumentasi ini
└── runs/
    └── detect/
        └── predict/  # Output deteksi

Kelas Deteksi

Model YOLOv8n dapat mendeteksi 80 kelas objek COCO, termasuk:

• Person (Orang)
• Vehicle (Kendaraan: mobil, bus, motor, dll)
• Animal (Hewan: anjing, kucing, burung, dll)
• dan 77 kelas lainnya

Troubleshooting

Error: "No module named 'ultralytics'"

pip install ultralytics --upgrade

Error: "CUDA out of memory"

Model akan otomatis beralih ke CPU jika GPU tidak tersedia

Gambar tidak terdeteksi

• Pastikan path gambar benar
• Gunakan format yang didukung: JPG, PNG, BMP, GIF

Lisensi

Proyek ini menggunakan YOLOv8 dari Ultralytics yang dilisensikan di bawah AGPL-3.0

Kontribusi

Silakan buat issue atau pull request untuk perbaikan dan fitur baru.