Belajar YOLO - Mengatasi Overfitting & Catastrophic Forgetting

#Pendahuluan

Episode 13 kita mengatur bagian mana model yang boleh belajar. Episode ini membahas apa yang salah saat belajar berjalan: overfitting — model menghafal data training alih-alih memahami pola — dan saudara jahatnya yang jarang dibahas tutorial pemula: catastrophic forgetting, model yang melupakan kemampuan lama saat diajari hal baru.

Keduanya adalah penyebab nomor satu project vision gagal di lapangan meski angka lab-nya indah. Model yang overfit akan tampak sempurna di val set lama namun hancur di kondisi produksi; model yang mengalami forgetting akan "kehilangan" deteksi kelas yang kemarin bekerja baik — bug paling membingungkan bagi tim yang tidak paham penyebabnya.

#Overfitting: Gejala, Diagnosis, Obat

#Membaca Tandanya dari Kurva

Pola klasik di results.csv / results.png:

epoch:   10     20     30     40     50
train_loss: 1.8 → 1.1 → 0.7 → 0.45 → 0.28  (terus turun)
val_mAP:    0.62 → 0.71 → 0.74 → 0.74 → 0.72  (stagnan lalu turun)

Train loss terus jatuh sementara metrik validasi stagnan/menurun = model mulai menghafal noise dataset training. Semakin lebar jurangnya, semakin parah.

#Obat Bertingkat

Urutan prioritas dari yang paling ampuh:

1. Lebih banyak data yang beragam — satu-satunya obat akar. 200 gambar tambahan dari kondisi nyata mengalahkan semua trik hyperparameter.
2. Augmentasi tepat — naikkan probabilitas mosaic/hsv jika belum maksimal (balik ke episode 12).
3. Early stopping — patience sudah kita pakai sejak episode 10; pastikan aktif, bukan dinonaktifkan demi "epoch lebih banyak".
4. Freezing parsial — strategi episode 13: kurangi kapasitas yang bisa bergerak (freeze=10/23).
5. Regularisasi eksplisit — naikkan weight_decay secara moderat jika semua di atas sudah optimal namun gap masih lebar.

#Catastrophic Forgetting: Ketika Ilmu Baru Menghapus Ilmu Lama

Skenario yang sangat umum di industri: bulan lalu model dilatih mendeteksi kendaraan; bulan ini bisnis minta tambahan kelas "ambulance". Tim melatih ulang dengan dataset ambulance saja — dan tiba-tiba model jadi buruk mendeteksi sedan dan truk. Model tidak rusak; ia melupakan.

Penyebab teknisnya: gradient update pada data baru menimpa bobot yang tadinya mengodekan pengetahuan lama. Neural network tidak punya memori terpisah — semua pengetahuan hidup di bobot yang sama.

#Solusi #1: Gabungkan Dataset Lama + Baru (Paling Andal)

Tidak ada trik yang mengalahkan kesederhanaan ini:

datasets/proyek-v2/
├── images/train/   # gambar lama + gambar baru
├── labels/train/
├── images/val/     # val gabungan: uji kelas lama DAN baru!
└── labels/val/

Latih dari pretrained (atau dari checkpoint lama) menggunakan dataset gabungan. Val set-nya wajib memuat kedua generasi kelas — kalau tidak, kalian tidak bisa mendeteksi forgetting sampai user komplain.

#Solusi #2: Freeze Backbone + Neck

Jika menggabungkan data tidak praktis (dataset lama terlalu besar/sensitif), kunci pengetahuannya secara fisik: freeze=22 — hanya head yang beradaptasi. Pengetahuan lama di backbone/neck tersentuh nol persen. Trade-off: kelas baru yang sangat berbeda visualnya akan sulit dipelajari karena kapasitas adaptasi terbatas.

#Solusi #3: Kurangi Intensitas Training

Epoch sedikit + learning rate rendah + patience ketat. Semakin halus gerakan bobot, semakin kecil risiko menimpa pengetahuan lama. Kombinasikan dengan solusi #2 untuk efek pelindung berlapis.

Yang tidak disarankan: melatih hanya data baru lalu berharap "yang lama pasti masih ingat". Selalu gagal.

#Praktik: Skenario Fine-Tune Tanpa Melupa

Simulasikan siklus v1 → v2 pada dataset helm kita:

from ultralytics import YOLO
 
YOLO("yolo26n.pt").train(
    data="helm-v1/data.yaml", # person, helmet
    epochs=50, name="helm-v1",
)

from ultralytics import YOLO
 
# data.yaml v2 = person, helmet, vest (kelas lama TETAP ada)
m = YOLO("runs/detect/helm-v1/weights/best.pt")
m.train(
    data="helm-v2/data.yaml",
    epochs=30,            # lebih sedikit dari v1
    lr0=0.001,            # LR rendah
    freeze=10,            # lapisan pelindung
    name="helm-v2-safe",
)

Setelah v2 selesai, evaluasinya dua arah — inilah langkah yang sering dilewati:

yolo val model=runs/detect/helm-v2-safe/weights/best.pt data=helm-v2/data.yaml

Periksa confusion matrix (episode 11): apakah kelas lama (person, helmet) masih di atas ambang? Kalau ya, retraining sukses. Kalau drop tajam, tambahkan proporsi data lama dan ulangi — iterasi kecil ini normal di lifecycle model nyata.

#Checklist Anti-Lupa

[x] Dataset gabungan (lama + baru) atau freeze protektif
[x] Val set memuat SEMUA generasi kelas
[x] Evaluasi dua arah: kelas baru DAN kelas lama
[x] Simpan best.pt tiap versi terpisah (tidak menimpa)
[x] Catat config & data version tiap run (dasar MLOps ep25)
[x] Benchmark performa vN vs v(N-1) side-by-side

#Penutup

Rangkuman episode ini:

• Overfitting terdiagnosis dari kurva: train loss terus turun, val stagnan/turun. Obat utamanya data beragam, bukan epoch tambahan.
• Urutan obat overfitting: data → augmentasi → early stopping → freezing → weight decay.
• Catastrophic forgetting terjadi saat fine-tune hanya data baru; gejalanya kelas lama drop diam-diam.
• Solusi terbaik: dataset gabungan + val multi-generasi; alternatif: freeze protektif + LR rendah + epoch sedikit.
• Evaluasi retraining selalu dua arah dan simpan artefak tiap versi.

Di episode 15 kita masuk seni menyempurnakan angka terakhir: hyperparameter tuning — parameter mana yang layak disetel (lr0, warmup, weight decay, close_mosaic), cara memakai tuner built-in Ultralytics, dan kapan tuning justru buang waktu dibanding menambah data. Sampai jumpa!