Belajar YOLO dari dasar hingga production-grade: pre-requisites & setup environment, pengenalan object detection, evolusi YOLO v1 → YOLO26, arsitektur backbone neck head, setup Ultralytics & inference pertama, multi-task detect segment classify, pose estimation & OBB, memilih model size nano s/d xl, dataset format YOLO & annotation, training dari scratch, fine-tuning pretrained model, evaluasi mAP & confusion matrix, data augmentation, layer freezing & transfer learning lanjutan, overfitting & catastrophic forgetting, hyperparameter tuning, tracking object, custom training loop & callbacks, export ONNX TensorRT CoreML & OpenVINO, edge deployment Jetson mobile CPU, serving production API & batch, optimasi quantization & half precision, zero-shot open-vocabulary detection, small object & hard case detection, perbandingan YOLO vs RF-DETR DETR RTMDet, MLOps untuk vision models, ekosistem & tren modern 2026, hingga roadmap karir dengan total 28 episode.
Persiapan lengkap sebelum belajar YOLO: skill dasar yang wajib dikuasai (Python, NumPy, neural network, CLI) serta setup environment mulai dari Python env, Ultralytics package, opsi GPU Colab/cloud, hingga dataset COCO

Fondasi object detection: perbedaan classification, detection, dan segmentation; anatomi bounding box, IoU, dan confidence; metrik mAP, precision/recall, serta FPS — ditutup praktik visualisasi anotasi bounding box

Perjalanan satu dekade YOLO: dari revolusi single-shot YOLOv1 (2016), era v2/v3 Redmon, ekosistem v4/v5, dominasi Ultralytics v8/v11, attention di YOLOv12, hingga YOLO26 NMS-free — plus lanskap kompetitor RF-DETR & RTMDet

Bedah anatomi YOLO: backbone sebagai ekstraktor fitur, neck PAN-FPN sebagai agregator multi-skala, head sebagai prediktor — plus evolusi blok C3k2/C2f, SPPF, C2PSA, R-ELAN, dan NMS-free head YOLO26 dengan praktik membaca yolo26n.yaml

Setup lengkap Ultralytics dan inference pertama: pip install, load model pretrained yolo26n.pt, perintah yolo predict via CLI, Python API, deteksi pada gambar/video/webcam, serta membaca struktur hasil Results

Satu ekosistem, banyak task: object detection (-detect), instance segmentation (-seg), dan classification (-cls) dengan bobot pretrained — membandingkan perbedaan output Results, kapan pakai task mana, dan trik menjalankan ketiganya pada satu input

Dua task spesialis YOLO: pose estimation untuk deteksi keypoint tubuh manusia (-pose) dan oriented bounding box (-obb) untuk objek berorientasi seperti citra drone/aerial — praktik pose pada video dan deteksi OBB

Strategi memilih ukuran model YOLO: trade-off n/s/m/l/x antara kecepatan dan akurasi — dari YOLO26n 40.9 mAP @1.7ms T4 hingga YOLO26x 57.5 mAP, kapan scale-up terbukti perlu, dan praktik benchmark di dataset yang sama

Fondasi data sebelum training: struktur folder images/labels, anatomi file txt normalized (class x y w h), data.yaml, perbandingan tools annotation Roboflow/CVAT/Label Studio, trik auto-labeling, dan praktik menyiapkan dataset custom kecil

Training YOLO dari nol: cara kerja model.train(), hyperparameters inti (epochs, imgsz, batch, optimizer=auto), membaca log per-epoch, apa yang terjadi di balik layar, kapan from scratch masuk akal, dan praktik training singkat untuk memahami pipeline
