Belajar YOLO - Small Object & Hard Case Detection

#Pendahuluan

Semua teknik training dan optimasi yang kita pelajari bekerja baik — sampai objeknya kecil. Deteksi objek di bawah 32×32 piksel adalah masalah yang membuat mAP project nyata anjlok puluhan poin, dan tidak ada hyperparameter yang menyelamatkannya.

Episode ini membedah kenapa objek kecil secara fundamental menyiksa CNN (jawabannya ada di episode 3), lalu membongkar arsenal solusinya berurutan dari termurah sampai termahal: resolusi tinggi, slicing inference dengan SAHI, augmentasi khusus, hingga modifikasi arsitektur P2 head. Ditambah protokol untuk hard case lain: crowd, occlusion, dan low-light.

#Kenapa Objek Kecil Itu Sulit

Kembali ke mekanika backbone (episode 3): gambar input didownsampling bertahap — pada imgsz=640, feature map terakhir hanya ~20×20. Sebuah mobil 24 piksel di input menjadi kurang dari satu sel feature map pada level P5. Informasinya bukan "kecil" — ia praktis menguap sebelum head sempat melihatnya.

Input 640x640 → objek 24px = 0.14% area gambar
P3 (80x80)    → sisa ~3 px   : masih terlihat
P4 (40x40)    → sisa <1 px   : samar
P5 (20x20)    → sisa 0.25 px : HILANG

Konsekuensinya: semua solusi objek kecil bermuara ke dua strategi — beri lebih banyak piksel atau jaga objek tetap besar di feature map.

#Solusi #1: Naikkan Resolusi (imgsz)

Termurah dan pertama dicoba:

yolo detect train model=yolo26s.pt data=data.yaml imgsz=1280 batch=-1

Aturan mainnya (diperluas dari episode 12):

• VRAM & komputasi naik ±4× saat imgsz didobel — turunkan batch sesuai.
• Training & inference wajib konsisten; mismatch merusak akurasi diam-diam.
• Naikkan bertahap 640 → 960 → 1280; ukur mAP per langkah, berhenti saat gain habis.

Resolusi tinggi menang jika objek kecil tersebar merata. Tapi untuk citra aerial 4000×3000 piksel dengan objek 15 piksel — bahkan 1280 tidak cukup, karena downsampling global tetap menenggelamkannya. Di sinilah solusi #2 masuk.

#Solusi #2: SAHI — Slicing Aided Hyper Inference

Ide brilian yang sederhana: jangan biarkan model melihat gambar raksasa yang di-resize — potong gambar menjadi tile, inferensi tiap tile pada resolusi penuh, lalu gabungkan hasilnya:

Library SAHI membuatnya beberapa baris:

from sahi import AutoDetectionModel
from sahi.predict import get_sliced_prediction
 
model = AutoDetectionModel.from_pretrained(
    model_type="ultralytics",
    model_path="best.pt",
    confidence_threshold=0.25,
)
 
result = get_sliced_prediction(
    "drone_shot.jpg",
    model,
    slice_height=640, slice_width=640,
    overlap_height_ratio=0.2, overlap_width_ratio=0.2,
)
 
for obj in result.object_prediction_list:
    print(obj.category.name, round(obj.score.value, 2),
          [round(v) for v in list(obj.bbox.to_xyxy())])

Parameter kunci: overlap 0.2 — tile bertumpuk sedikit agar objek yang kepotong tepi tile tetap tertangkap utuh di tile tetangga. Trade-off jujurnya: waktu inference naik proporsional jumlah tile (gambar 4K ≈ 35–50 tile). Karena itu pola produksinya lazim dua tahap: preview cepat full-image → SAHI hanya di region of interest.

#Solusi #3: Copy-Paste Augmentation

Objek kecil jarang = contoh langka. Copy-paste augmentation memotong instance dari gambar asli lalu menempelkannya ke gambar lain — memperbanyak contoh tanpa anotasi baru:

from ultralytics import YOLO
 
YOLO("yolo26n.pt").train(
    data="aerial/data.yaml",
    imgsz=1280,
    copy_paste=0.3, # 30% peluang instance ditempel ulang
)

Syarat mutlaknya mask segmentation (instance dipotong mengikuti bentuk). Jaga kesadaran realisme: tempelkan mobil ke atap gedung dan dataset kalian belajar hal yang salah.

#Solusi #4: P2 Head — Arsitektur Level

Jika semua di atas masih kurang: tambahkan head prediksi pada P2 — feature map paling halus (stride 4) yang secara default dilewati head YOLO. Objek 8–16 piksel yang hilang di P3 masih hidup di P2.

Caranya: salin config model, tambahkan layer P2 di bagian head: YAML, dan daftarkan output-nya ke daftar Detect (menjadi Detect(P2, P3, P4, P5)). Konsekuensinya jujur: feature map P2 besar → komputasi & VRAM naik signifikan, latency ikut naik. Gunakan hanya ketika target benar-benar ekstrem kecilnya (deteksi burung, kabel rusut, cacat mikro).

#Hard Case Lain: Crowd, Occlusion, Low-Light

Pola umumnya: hard case adalah masalah distribusi data, bukan bug model. Solusi permanennya hampir selalu mengumpulkan/menyimulasikan data kondisi tersebut — trik arsitektur hanya menjembatani.

#Protokol Debugging Objek Kecil

1. Visualisasi label di atas gambar (episode 1) — pastikan anotasinya ada!
2. Ukur baseline mAP_small vs mAP_all — quantifikasi masalah
3. imgsz 640→1280, ukur lagi
4. Masih gagal? SAHI inference (+ sliced training utk aerial)
5. Contoh langka? copy_paste augmentation
6. Ekstrem? P2 head — sadari biaya latensinya
7. Satu perubahan per eksperimen (disiplin episode 15!)

#Penutup

Rangkuman episode ini:

• Objek kecil hilang secara fundamental di feature map dalam — semua solusi = lebih banyak piksel atau feature map lebih halus.
• Urutan ekonomis: imgsz tinggi → SAHI slicing → copy-paste augmentation → P2 head.
• SAHI: potong-tile-overlap-gabung; standar untuk aerial; pasangkan dengan sliced training.
• Hard case (crowd/occlusion/low-light) adalah masalah data — senjata arsitektur hanya jembatan.
• Selalu pisahkan metrik small-object (mAP per ukuran) agar kemajuan terukur.

Di episode 24 kita zoom out dan bertanya pertanyaan tabu: apakah YOLO selalu jawaban terbaik? Perbandingan YOLO vs RF-DETR, DETR, dan RTMDet — lisensi, akurasi, throughput, dan cara memilih dengan kepala dingin. Sampai jumpa!