Mask R-CNN for Instance Segmentation, cerita ini dimulai ketika mendapatkan sebuah project yang berhubungan dengan computer vision untuk mengotomatisasi kematangan buah. Beberapa algoritma computer vision pernah saya coba ada banyak sekali, namun demikian ketika diterapkan pada background yang berbeda-beda, maka hasilnya jadi tidak konsisten.
Belajar Deep Machine Learning sudah banyak dibahas terutama menggunakan Python, tensorflow, keras, ada juga yang menggunakan pytorch. Namun demikian bagi kalian yang terbiasa menggunakan Matlab, maka tidak perlu kuatir. Belajar Deep Machine Learning di Matlab sangat mudah koq, nggak pakai ribet. Sebagai bahan permulaan belajar, maka saya rajin sekali banyak baca dokumentasinya di Matlab sebelum memulai project utamanya.
Cerita ini dimulai ketika ada project yang berkenaan dengan deep machine learning untuk melakukan semantic segmentation, padahal saya masih menggunakan Maltlab versi lama yaitu Matlab R2018a sehingga harus install toolbox deep machine learning tersendiri.
ShinyApps – Share Aplikasi R di ShinyApps dengan mudah agar bisa diakses via web secara online – Share Aplikasi mu di R ShinyApps ketika saya bekerja dengan project yang ditulis menggunakan R maka sesi demo untuk menunjukan progress project perlu dilakukan. Klien menginginkan sebuah aplikasi berbasis GUI di R, tentu hal yang mudah dilakukan yaitu mengubah aplikasi tersebut di RShiny.
SVM di GNU Octave – Algoritma SVM – Support Vector Machine secara luas telah banyak digunakan untuk machine learning karena sangat robust dalam melakukan klasifikasi non linear sesuai dengan jenis kernel yang digunakan tentunya.
2,084 ViewsKomputasi Parallel dengan GNU Octave – Untuk urusan hitung -menghitung bisa kita percepat menggunakan tools khusus dengan melibatkan teknik parallel. Bagi kalian yang suka menggunakan GNU Octave, saya sarankan menggunakan package parallel yang bisa kalian dapatkan di https://octave.sourceforge.io/parallel/index.html Cara install package tersebut bisa kalian pelajari disini, Adapun untuk cara penggunaanya bisa kalian baca disini … Read more
1,866 ViewsAplikasi Editor Annotation Image – Pesatnya penggunaan deep machine learning untuk keperluan computer vision membutuhkan editor Annotation Image yang mumpuni dan ringan. Setelah berkali-kali searching di google, untuk kebutuhan membuat datase training menggunakan format COCO maka pilihan saya ada 2 saat ini yang digunakan yaitu Label Me Annotation Aplikasi diatas sangat bagus untuk melakukan … Read more
Aplikasi Download yang gratis di windows 10 sudah banyak, kalian pasti sudah kenal dengan IDM – Internet Download manager adalagi orbit dowload manager. Biasanya sih lebih terkenal aplikasi download di windows yaitu IDM. Namun akhir-akhir ini, saya lebih suka menggunakan wget karena saking sering nya menggunakan command prompt di windows untuk beragam project yang berkaitan dengan deep machine learning. Kalian kan tau sendiri, kalau sudah masuk ke deep machine learning akan banyak butuh sekali dataset, terkadang sampai belasan, puluhan gigabyte.
Saat ini tensorflow sudah mencapai versi 2.2 keatas yang punya perbedaan yang jauh sekali dengan versi 1.0. Saya punya pengalaman menarik ketika menggunakan PlaidML sebagai backend pengganti tensorflow, dimana PlaidML tersebut masih dengan versi 0.7.0 yang punya ketergantungan dengan versi keras 2.2.4
Split Dataset termasuk dalam tahapan pre prosesing untuk mendapatkan dataset yang proporsional. Secara umum split dataset harus memasukan sebuah porsi, misalkan disebut porsi 0.75 artinya 75% dimasukan dataset training serta sisanya dimasukan kedalam testing.
Artikel split dataset sudah saya bahas disini, namun demikian agak terlalu ribet karena banyak kode yang harus dibuat. Nah pada postingan ini, saya akan bahasa cara mudah split dataset di R menggunakan library caTools
Open Images Dataset – Dataset bila dialih bahasakan berupa kumpulan data. Dataset sangat berguna sekali kalau kalian bekerja dengan machine learning-deep machine learning. Untuk mengumpulkan dataset menjadi satu kesatuan agar bisa diakses oleh pada developler, maka Google telah menyediakan Open Image Dataset.
Open Image Dataset merupakan kumpulan dataset gambar dari ~ 9 juta URL dengan label yang mencakup lebih dari 6000 kategori. Ukuran file nya 500 gb lebih, sangat banyak sekali. Dengan jutaan sebanyak itu memungkinkan para developer AI menggunakan Open Image Dataset tersebut mengenali beragam objek oleh Komputer berbasis AI.
Open Image Dataset dengan ukuran yang lumayan besar alias habiskan 1
Open Images Dataset bisa kalian peroleh di https://storage.googleapis.com/openimages/web/download.html