Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Deteksi Jenis Kerang Menggunakan YOLO Berbasis Deep Learning
Deteksi Jenis Kerang Menggunakan YOLO Berbasis Deep Learning
Computer Vision Tingkat: Intermediate Versi 1.0.0 48 Dilihat
5.0 (0 ulasan)

Deteksi Jenis Kerang Menggunakan YOLO Berbasis Deep Learning

Teknologi: Python Flask HTML CSS JavaScript Tailwind CSS
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Deteksi Jenis Kerang Menggunakan YOLO Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Deteksi Jenis Kerang Menggunakan YOLO Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

ShellVision AI merupakan platform kecerdasan buatan (Artificial Intelligence) berbasis Computer Vision dan Deep Learning yang mengimplementasikan arsitektur state-of-the-art YOLOv8 Nano (YOLO26n) untuk mendeteksi, melokalisasi (bounding box), dan mengklasifikasikan 15 spesies kerang dan siput laut (Bivalvia & Gastropoda) secara simultan dengan presisi tinggi (mAP50 94.9%, Presisi 95.6%, dan Recall 92.4%).

🎯 Latar Belakang Masalah
Wilayah pesisir dan laut Indonesia maupun global kaya akan keanekaragaman moluska cangkang (Bivalvia dan Gastropoda). Kerang dan siput laut memegang peranan krusial sebagai bioindikator kesehatan ekosistem perairan, penyaring mikroalga alami, penahan abrasi, serta komoditas perikanan bernilai ekonomi dan kuliner tinggi.

Namun, proses identifikasi dan inventarisasi jenis kerang di lapangan menghadapi berbagai kendala nyata:

  1. Morfologi yang Sangat Mirip (High Intra-Class Variability & Inter-Class Similarity): Banyak spesies kerang memiliki bentuk cangkang, corak warna, dan gurat konsentris yang menyerupai satu sama lain (misalnya antara Atlantic Surf Clam dan Northern Quahog, atau antara Channeled Whelk dan Knobbed Whelk).
  2. Ketergantungan pada Ahli Malakologi/Taksonomi Manual: Identifikasi spesies secara konvensional membutuhkan keahlian taksonomi mendalam, memakan waktu lama, dan sulit diskalakan untuk pemantauan perikanan skala besar di tempat pelelangan ikan (TPI) atau cagar alam pesisir.
  3. Kondisi Sampel Lapangan yang Beragam: Di alam bebas, cangkang kerang sering kali ditemukan dalam kondisi basah, tertutup pasir, mengalami erosi kalsium alami, bertumpuk satu sama lain (overlapping), atau berada di bawah pencahayaan yang tidak menentu.
  4. Kebutuhan Pengawasan Keamanan Pangan & Konservasi: Beberapa spesies merupakan predator hama pada budidaya tiram (seperti Oyster Drill Snail), sementara spesies lain dilindungi atau memiliki potensi akumulasi toksin mikroalga (red tide). Diperlukan sistem pendeteksi instan untuk membedakan spesies target secara akurat.

💡 Solusi yang Dihadirkan
ShellVision AI menghadirkan solusi otomasi cerdas berbasis Deep Learning Object Detection:

  1. Dataset Teranotasi Komprehensif (7.919 Citra):
    • Memanfaatkan dataset benchmark ShellFinder Shells yang memuat 7.919 citra moluska laut dengan anotasi bounding box presisi tinggi, terbagi menjadi 7.048 citra latih (7.903 objek), 548 citra validasi (699 objek), dan 323 citra uji independen (421 objek).
    • Menerapkan augmentasi data adaptif: normalisasi orientasi EXIF, penyesuaian kecerahan acak (± 16%), dan Gaussian blur (0 - 2 px) untuk memperkuat ketahanan model terhadap variasi pencahayaan lapangan.
  2. Arsitektur Deep Learning YOLOv8 Nano (YOLO26n):
    • Menggunakan model anchor-free object detection berkemampuan ekstraksi fitur multi-skala melalui tulang punggung CSPDarknet, fusi fitur PANet (Path Aggregation Network), dan kepala deteksi terpisah (Decoupled Head) untuk memisahkan regresi koordinat kotak dan probabilitas klasifikasi kelas.
    • Bobot model sangat ringkas (hanya 5.4 MB dengan 2,37 juta parameter dan 5.3 GFLOPs), memungkinkan eksekusi inferensi ultra-cepat (~21.4 milidetik di GPU dan ~50 milidetik di CPU laptop standar).
  3. Cakupan 15 Taksonomi Spesies Moluska Lengkap:
    • Mendeteksi 9 famili Bivalvia dan Gastropoda: Atlantic Razor Clam, Atlantic Surf Clam, Bay Scallop, Blue Mussel, Channeled Whelk, Eastern Mud Snail, Jingle Shell, Knobbed Whelk, Moon Snail, Northern Quahog, Oyster, Oyster Drill Snail, Ribbed Mussel, Slipper Snail, dan Soft Shell Clam.
  4. Aplikasi Web Interaktif & RESTful API Modern:
    • Dibangun dengan framework Flask 3.0 dan antarmuka responsif Tailwind CSS bertema Marine Crimson & Clean Slate, dilengkapi fitur drag-and-drop unggah citra, 9 sampel pengujian instan, slider ambang batas keyakinan (confidence threshold 0.05 - 0.95), visualisasi bounding box, kartu ensiklopedia spesies (nama latin, famili, habitat, morfologi, nilai ekologis), serta tombol unduh citra teranotasi.

⭐ Fitur Utama Produk

  • Jupyter Notebook Riset Lengkap (Kaggle Ready): Alur kerja end-to-end yang bersih dan terstruktur untuk memuat dataset Roboflow, menjalankan pelatihan 25 epoch dengan GPU Tesla T4, memvalidasi data latih/validasi/uji, mengevaluasi kurva mAP/Precision/Recall/F1-score, hingga mengekspor bobot terbaik best.pt.
  • Akurasi & Deteksi Multi-Objek Unggul:
    • Training Set: Presisi 99.00%, Recall 99.30%, mAP50 99.40%, mAP50-95 96.10%.
    • Validation Set: Presisi 95.35%, Recall 92.40%, mAP50 94.70%, mAP50-95 90.10%.
    • Testing Set: Presisi 97.31%, Recall 91.00%, mAP50 92.60%, mAP50-95 87.30%.
  • Bobot Model Terlatih Disertakan Langsung (best.pt): Pembeli tidak perlu melatih ulang model berjam-jam; file model biner 5.4 MB sudah siap pakai dan langsung termuat saat server web dijalankan.
  • Ensiklopedia Morfologi & Ekologi 15 Spesies: Setiap deteksi dilengkapi penjelasan taksonomi ilmiah mendalam berbahasa Indonesia, mempermudah pemahaman saat presentasi skripsi atau sidang tugas akhir.
  • UI Dashboard Modern Bebas Emoji: Antarmuka bersih profesional menggunakan tipografi Google Fonts Plus Jakarta Sans, palet warna elegan Marine Crimson (#DC2626, #991B1B, #0F172A), ikon SVG presisi, kartu metrik statistik, dan layout galeri interaktif.
  • RESTful API Standar Siap Integrasi:
    • POST /predict: Menerima file gambar, base64, atau preset sampel; mengembalikan hasil anotasi gambar dan rincian koordinat deteksi JSON.
    • GET /api/species: Mengembalikan katalog lengkap 15 taksonomi spesies.
    • GET /api/samples: Mengembalikan daftar preset citra pengujian.
    • GET /api/stats: Mengembalikan ringkasan metrik performa model.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

5 Tahap Pipeline
1 DATASET & AUGMENTATION

7.919 Shell Image Ingestion & Roboflow Pipeline

Ingesti dan pra-pemrosesan 7.919 citra moluska laut dengan anotasi bounding box normalisasi YOLOv8, menerapkan auto-orientasi EXIF, resizing 756x1008, augmentasi kecerahan acak (±16%), dan Gaussian blur untuk ketahanan terhadap variasi lingkungan pantai.

Roboflow Universe & YOLOv8 Format
2 DEEP LEARNING BACKBONE

CSPDarknet & PANet Multi-Scale Feature Fusion

Ekstraksi fitur visual mendalam menggunakan tulang punggung CSPDarknet dengan aktivasi SiLU, dilanjutkan fusi piramida fitur spasial dua arah PANet untuk menangkap tekstur cangkang halus hingga siluet cangkang besar.

YOLOv8 Nano (2.37M Parameters)
3 MODEL TRAINING

25-Epoch Training with Tesla T4 GPU Acceleration

Pelatihan model menggunakan algoritma optimasi SGD/AdamW dengan ukuran batch adaptif dan resolusi input 640x640 pada GPU Tesla T4 (0.49 jam komputasi), meminimalkan kombinasi CIoU loss, DFL (Distribution Focal Loss), dan BCE classification loss.

Loss Optimization & Tesla T4 GPU
4 EVALUATION & NMS

mAP50-95 Benchmark & Non-Maximum Suppression

Evaluasi performa deteksi pada 15 kelas spesies moluska (meraih Test Accuracy 97.31%, Presisi 0.973, Recall 0.910, dan mAP50 0.926), disempurnakan dengan Non-Maximum Suppression (NMS) untuk mengeliminasi kotak tumpang-tindih redundan.

mAP50 94.9% & NMS Post-Processing
5 DEPLOYMENT & INTERFACE

ShellVision AI Web Dashboard & RESTful API Service

Deployment pipeline computer vision ke antarmuka web interaktif Flask 3.0 dan Tailwind CSS, dilengkapi drag-and-drop unggah citra, 9 preset sampel instan, slider ambang batas confidence, kartu ensiklopedia spesies, dan endpoint API `/predict`.

Flask 3.0 & Tailwind CSS SPA
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

8 Berkas Proyek 1 Folder Utama
index.html 84.15 KB
app.py 19.83 KB
deteksi-jenis-kerang-yolo.ipynb 87.3 KB
Notebook Pratinjau
link project full.txt 0 B
README.dataset.txt 166 B
README.md 5.49 KB
markdown Pratinjau
README.roboflow.txt 1.12 KB
requirements.txt 558 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11 (64-bit), macOS 12+ (Intel/Apple Silicon), Linux (Ubuntu 20.04+ LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10 atau Python 3.11 (Direkomendasikan)

Lingkungan kerja teruji

Memori (RAM)
Min. 4 GB (Rekomendasi 8 GB untuk inferensi web lancar dan eksekusi notebook)

Optimal untuk running service

Penyimpanan
Min. 500 MB Free Storage untuk file kodingan, bobot model best.pt (5.4 MB), dan pustaka Python

Untuk berkas & dependensi

Database & Layanan
Tidak memerlukan database SQL eksternal (Basis data ensiklopedia spesies dan model biner mandiri / self-contained)
Hardware / Catatan Khusus
Model best.pt sudah dilatih dan disertakan dalam paket unduhan sehingga web app dapat langsung dijalankan tanpa GPU (latensi inferensi CPU ~50 ms, GPU ~21 ms)

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 48 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, HTML, CSS
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.