Corn Weed Detection

Proyek ini berfokus pada pengembangan sistem deteksi citra untuk objek gulma dan jagung yang memiliki fitur utama yang berbeda. Dalam pemodelan deep learning, fitur-fitur ini diekstrak untuk mencapai akurasi deteksi yang tinggi. Namun, proses ekstraksi fitur dan penskalaan sering kali memperbesar ukuran model dan memperlambat kinerja. Mengabaikan proses ini dapat menurunkan akurasi secara signifikan. Oleh karena itu, kontribusi saya dalam proyek ini adalah merancang feature extractor dan teknik penskalaan yang optimal pada arsitektur YOLOv7 agar mampu mengekstrak fitur penting secara efisien tanpa mengurangi akurasi maupun memperbesar ukuran model, sehingga kinerja deteksi menjadi lebih cepat dan ringan untuk diterapkan pada perangkat lunak atau sistem dengan keterbatasan sumber daya.