Belajar YOLO - Hyperparameter Tuning

#Pendahuluan

Model sudah bebas overfitting berkat episode 14. Sekarang pertanyaan klasik tahap akhir muncul: "masih ada gain yang bisa dikejar lewat hyperparameter?" Episode ini menjawabnya dengan jujur — termasuk kapan jawabannya adalah tidak, tuning buang waktu.

Hyperparameter tuning sering diglamorkan sebagai seni magis para ahli. Kenyataannya di dunia object detection modern: default Ultralytics sudah sangat kuat karena optimizer=auto menyetel sebagian besar hal. Tuning manual memberi keuntungan nyata hanya pada margin tipis — biasanya 0.5–2 poin mAP — dan itu penting saat kompetisi atau produksi skala besar, bukan saat dataset masih bisa diperbaiki.

#Peta Hyperparameter yang Layak Disetel

Dari puluhan parameter training Ultralytics, empat kelompok ini yang benar-benar menggerakkan jarum:

#Learning Rate: `lr0` dan `lrf`

lr0 — learning rate awal. Terlalu besar → loss meledak/bergetar; terlalu kecil → konvergensi lambat dan mudah terjebak.
lrf — faktor LR akhir (LR berakhir di lr0 × lrf). Default 0.01 artinya LR turun sampai 1% nilai awal menjelang akhir training.

Pola jadul yang masih relevan: mulai agresif untuk eksplorasi cepat, turun halus untuk finalisasi presisi.

#Warmup: `warmup_epochs`

Beberapa epoch pertama berjalan dengan LR rendah yang perlahan naik menuju lr0. Fungsinya melindungi bobot pretrained dari update brutal di fase awal — sangat relevan untuk fine-tuning. Jika loss awal kalian bergetar liar, naikkan warmup_epochs sebelum menyentuh lr0.

#Weight Decay

Regularisasi L2: setiap update gradient dikenakan penalti agar bobot tetap kecil. Efeknya menahan overfitting. Naikkan secara moderat jika jurang train-val masih lebar setelah semua langkah episode 14.

#Close Mosaic: `close_mosaic`

Kembali dari episode 12 — jumlah epoch terakhir tempat mosaic dimatikan agar model beradaptasi dengan distribusi gambar asli. Untuk dataset kecil, mencoba close_mosaic=20 (lebih panjang dari default) kadang memberi bonus mAP gratis.

Parameter	Default	Arah Eksperimen	Gejala Salah Set
`lr0`	auto	±2–5×	Loss NaN / stagnan lambat
`warmup_epochs`	3	3–5	Getar di epoch awal
`weight_decay`	auto	+moderat	Gap train-val lebar
`close_mosaic`	10	10–20	mAP val turun di akhir run

#Tuner Built-in Ultralytics

Daripada trial-error manual, Ultralytics punya pencarian otomatis:

tuning_otomatis.py

from ultralytics import YOLO
 
model = YOLO("yolo26n.pt")
 
result = model.tune(
    data="proyek-helm/data.yaml",
    epochs=30,
    iterations=30, # jumlah kombinasi hyperparameter dicoba
    optimizer="AdamW",
    plots=False,
    val=True,
)
 
print(result) # config & skor terbaik

Di balik layar model.tune() menjalankan evolusi acak: tiap iterasi melatih model dengan kombinasi hyperparameter berbeda (learning rate, momentum, augmentasi), lalu generasi terbaik menjadi dasar mutasi berikutnya. Semua hasil terdokumentasi rapi di folder runs/tune/ beserta best_hyperparameters.yaml.

Warning

Hitung biayanya! 30 iterasi × 30 epoch = 900 epoch ekivalen — belasan jam GPU untuk dataset kecil. Gunakan tuner hanya ketika pipeline data sudah matang dan sisa masalahnya benar-benar margin. Kalau budget GPU terbatas, waktu itu lebih berharga dikumpulkan untuk anotasi data baru.

#Prinsip Eksperimen Satu Variabel

Baik manual maupun otomatis, disiplin ilmiahnya sama:

Protokol eksperimen yang benar

1. Kunci baseline: seed=42, config default, catat mAP50-95
2. Ubah SATU parameter (misal close_mosaic 10→20)
3. Latih ulang, bandingkan mAP pada split val identik
4. Catat hasil di tabel eksperimen (spreadsheet/W&B)
5. Pertahankan jika menang; kembalikan jika seri/kalah

eksperimen_lr.py — contoh protokol

from ultralytics import YOLO
 
for name, lr in [("baseline", None), ("lr-turun", 0.001), ("lr-naik", 0.02)]:
    kwargs = dict(data="proyek-helm/data.yaml", epochs=40,
                  seed=42, name=f"exp-{name}")
    if lr:
        kwargs.update(lr0=lr)
    print(f"=== {name} ===")
    YOLO("yolo26n.pt").train(**kwargs)

Tanpa baseline terkunci dan seed konsisten, kalian tidak bisa membedakan gain asli dari noise acak training — kesalahan metodologi yang membuat banyak "temuan" tuning palsu.

#Kapan Tuning Tidak Worth It?

Keputusan paling mahal di episode ini adalah tahu kapan berhenti:

Data masih bisa diperbaiki → tambah gambar/anotasi selalu memberi gain lebih besar daripada tuning pada data yang sama. Aturan kasar: kalau belum >500 gambar/kelas, kerjakan data dulu.
Evaluasinya bising: val set kecil (di bawah 200 gambar) membuat selisih mAP kurang dari 1 poin tidak dapat dipercaya — kalian akan "menang" secara kebetulan.
Masalahnya distribusi, bukan kapasitas: model gagal di kondisi pencahayaan tertentu? Itu butuh data kondisi tersebut, bukan lr0 yang lebih manis.
Margin sudah tipis: dari mAP 0.84 → target 0.85, coba dulu ukuran model lebih besar (episode 7) atau resolusi lebih tinggi — biasanya lebih murah daripada search space tuning.

Urutan optimasi yang saya rekomendasikan: data → augmentasi → freeze strategi → ukuran/resolusi model → baru tuning halus. Tuning adalah pelapis akhir, bukan fondasi.

#Penutup

Rangkuman episode ini:

Empat knob utama: lr0/lrf, warmup_epochs, weight_decay, close_mosaic — sisanya biarkan auto.
model.tune() menjalankan pencarian evolusioner otomatis tapi mahal — pakai saat margin penting dan GPU tersedia.
Protokol eksperimen: baseline terkunci, satu variabel, split val identik, dokumentasi.
Tuning bukan pengganti data; urutan optimasi dimulai dari data, diakhiri tuning.
Val set kecil membuat gain kurang dari 1 poin tidak dapat dipercaya.

Di episode 16 kita tinggalkan ranah training menuju aplikasi video real-time: multi-object tracking — BoT-SORT dan ByteTrack bawaan Ultralytics, ID persistence antar frame, dan praktik menghitung objek yang melewati garis. Sampai jumpa!