Belajar YOLO - Pre-Requisites Skill & Setup Environment

#Pendahuluan

Selamat datang di series Belajar YOLO! Series ini akan membawa kalian dari nol memahami object detection hingga mampu melatih, mengevaluasi, dan men-deploy model YOLO ke production — termasuk generasi terbaru YOLO26. Sebelum kita menyentuh kode pertama, ada satu episode "persiapan" yang sering diremehkan: menyiapkan skill dan environment yang benar.

Kenapa ini penting? Karena mayoritas kegagalan belajar YOLO bukan terjadi saat training gagal — tapi jauh sebelumnya: environment Python yang berantakan, versi package yang bentrok dengan CUDA, atau ekspektasi yang salah karena fondasi konsep belum ada. Episode ini memastikan kalian tidak jatuh di jurang-jurang itu.

#Skill Dasar yang Wajib Dimiliki

#Python & NumPy

YOLO di ekosistem Ultralytics sepenuhnya berjalan di atas Python dan PyTorch. Kalian tidak perlu jago, tapi harus nyaman dengan:

Function, class, dan import module — API Ultralytics adalah class-based (model = YOLO(...), model.train(...)).
List comprehension & dictionary — hasil inference YOLO diparse sebagai struktur data Python.
NumPy array — gambar dibaca sebagai array (height, width, channels); slicing seperti img[100:200, 50:150] akan terus kalian pakai untuk crop region deteksi.
Virtual environment — wajib paham kenapa satu project satu env.

#Konsep Neural Network Dasar

Kalian tidak perlu bisa menurunkan backpropagation di atas kertas, tapi minimal paham:

Konsep	Kenapa Penting untuk YOLO
Convolutional Neural Network (CNN)	Backbone YOLO adalah CNN — inilah cara model "melihat" fitur visual
Loss function	Training YOLO = meminimalkan loss box + classification; tanpa paham loss, kalian tidak akan bisa debug training
Learning rate & optimizer	Hyperparameter tuning (episode 15) seluruhnya berputar di sini
Overfitting vs underfitting	Masalah #1 saat fine-tune dataset kecil (episode 14)

Jika kalian belum punya fondasi ini, selesaikan dulu series learn-machine-learning atau learn-deep-learning di blog ini — keduanya dirancang sebagai prasyarat jalur ini.

#Command Line

Banyak workflow YOLO lewat CLI: yolo predict, yolo train, yolo val. Kalian juga akan sering berpindah direktori, unzip dataset, dan monitoring GPU via terminal. Minimal kuasai navigasi folder, pip, dan perintah nvidia-smi.

#Perangkat Software yang Disiapkan

#Python Environment

Gunakan Python 3.9+ (disarankan 3.10–3.12). Pilih salah satu tool manajemen env:

python3 -m venv .venv
source .venv/bin/activate

Aturan emasnya: satu project, satu environment. Jangan pernah install package machine learning langsung ke global Python sistem — cepat atau lambat kalian akan mengalami dependency hell antara PyTorch, CUDA, dan library lain.

#Install Ultralytics

Ultralytics adalah ekosistem resmi yang paling banyak dipakai untuk YOLO modern (YOLOv8, YOLO11, YOLO26). Installasinya satu baris:

bash

pip install ultralytics

Perintah ini otomatis menarik PyTorch sebagai dependency. Verifikasi instalasi:

bash

yolo version

Detail setup lengkap beserta inference pertama akan kita bedah tuntas di episode 4 — di sini cukup pastikan install-nya berhasil.

Tip

Selalu cek halaman install docs.ultralytics.com untuk kombinasi versi Python/PyTorch yang didukung generasi model terbaru. Versi ultralytics lama bisa jadi tidak mengenali arsitektur YOLO26.

#Perangkat Hardware: GPU Bukan Keharusan Mutlak

#Opsi 1: GPU Lokal (NVIDIA)

Training YOLO jauh lebih nyaman dengan GPU NVIDIA + CUDA. Cek apakah GPU kalian terdeteksi:

bash

nvidia-smi

Yang penting diperhatikan adalah VRAM: batch size dan resolusi training (imgsz) sangat bergantung pada kapasitas ini. GPU 4–8 GB VRAM sudah cukup untuk model ukuran nano/small pada resolusi standar.

#Opsi 2: Google Colab / Cloud

Kalau tidak punya GPU lokal, jangan berkecil hati:

Google Colab (gratis) memberikan akses GPU T4 — lebih dari cukup untuk semua latihan series ini, termasuk fine-tuning dataset kecil.
Cloud provider (AWS/GCP/Azure/vast.ai) menjadi opsi saat kalian butuh GPU besar untuk dataset serius — topik cost & scaling disinggung di episode 25.

Untuk inference (prediksi pada gambar/video), CPU pun masih sanggup — apalagi dengan YOLO26 yang diklaim 43% lebih cepat di CPU dibanding pendahulunya. Edge/CPU deployment bahkan punya episode sendiri (episode 19).

#Dataset Contoh: COCO

Sepanjang series kita akan sering memakai COCO (Common Objects in Context) — dataset standar industri untuk object detection dengan 80 kelas umum (orang, mobil, anjing, dll).

Kabar baiknya: setiap kali kalian menjalankan model pretrained seperti yolo26n.pt atau melakukan training pertama, Ultralytics otomatis mendownload dataset COCO ke folder datasets/. Kalian tidak perlu setup manual apa pun sekarang. Format dataset YOLO sendiri punya episode spesial di episode 8, saat kita mulai menyiapkan dataset custom.

#Checklist Kesiapan

Sebelum lanjut ke episode 1, pastikan semua item ini tercentang:

Checklist environment

[x] Python 3.10+ terinstall
[x] Virtual environment aktif untuk project YOLO
[x] pip install ultralytics berhasil
[x] yolo version merespons tanpa error
[x] (Opsional) nvidia-smi mendeteksi GPU
[x] (Opsional) akun Google Colab siap jika tanpa GPU lokal

Note

Jangan menunggu "semua sempurna" untuk mulai. Environment minimal (Python + ultralytics) sudah cukup untuk mengikuti 4 episode pertama. GPU bisa menyusul saat kita masuk fase training di episode 9.

#Penutup

Rangkuman poin penting episode ini:

Skill wajib: Python (function/class/NumPy), konsep CNN & loss function, dan command line.
Satu project satu virtual environment — hindari dependency hell PyTorch/CUDA.
Install Ultralytics: pip install ultralytics, verifikasi dengan yolo version.
GPU lokal mempercepat training, tapi Colab/cloud adalah pengganti sah; inference bisa jalan di CPU.
COCO adalah dataset contoh standar yang akan otomatis ter-download saat dibutuhkan.

Di episode 1 kita mulai dari konsep paling fundamental yang menjadi rumah bagi YOLO: apa itu object detection, apa bedanya dengan classification dan segmentation, serta metrik-metrik seperti IoU dan mAP yang akan menemani kalian sampai episode terakhir. Sampai jumpa di sana!