Menyiapkan Dataset Gambar untuk Computer Vision

Menyiapkan dataset gambar untuk computer vision sering dikerjakan belakangan, padahal hasil model sangat bergantung pada kualitas kumpulan fotonya. Urutan yang masuk akal: tetapkan dulu apa yang ingin dikenali, kumpulkan gambar sesuai kondisi nyata, bersihkan, lalu bagi data latih dan uji. Kalau langkah ini beres, proses training jadi lebih tenang.

Mulai dari pertanyaan yang sempit

Sebelum menyentuh kamera atau folder, tulis satu kalimat tentang apa yang harus dikenali model. Contoh yang sempit: "mendeteksi apakah kotak paket ada di depan pintu". Contoh yang terlalu lebar: "mengenali semua benda di halaman rumah". Kalimat pertama bisa langsung diwujudkan jadi daftar label, sedangkan yang kedua membuatmu bingung menentukan berapa kelas yang perlu dibuat.

Dari kalimat itu, turunkan tiga hal: objek yang dihitung, kondisi pengambilan gambar, dan jawaban yang dianggap benar. Kondisi pengambilan gambar mencakup sudut kamera, jarak, dan pencahayaan. Jawaban benar menentukan apakah model hanya perlu bilang "ada" atau "tidak ada", atau perlu menggambar kotak di sekitar objek.

Bedakan juga antara klasifikasi dan deteksi sejak awal. Klasifikasi memberi satu label untuk seluruh gambar, sedangkan deteksi memerlukan koordinat kotak untuk setiap objek. Dataset untuk deteksi butuh pekerjaan pelabelan yang jauh lebih lama, jadi putuskan sekarang supaya kamu tidak mengumpulkan foto yang akhirnya tidak terpakai.

Kumpulkan gambar dari kondisi yang realistis

Kesalahan umum pemula adalah mengambil semua foto di satu ruangan dengan cahaya yang sama. Model yang dilatih dari data seperti itu akan gagal begitu kamera dipindah ke teras atau saat langit mendung. Kumpulkan variasi yang mewakili tempat model akan dipakai: pagi, sore, malam dengan lampu, sudut miring, dan objek yang sebagian tertutup.

Kalau memakai kamera USB, atur posisinya dulu supaya konsisten antar sesi pengambilan. Panduan memasang kamera USB untuk computer vision membahas soal jarak dan sudut yang membantu menjaga data tetap seragam. Untuk objek yang bergerak, rekam video lalu ekstrak jadi frame dengan jeda tertentu supaya tidak terlalu banyak gambar mirip.

Jumlah gambar tidak ada angka ajaibnya. Mulai dari sekitar seratus per kelas untuk eksperimen awal, lalu tambah kalau model masih sering salah pada kondisi tertentu. Yang lebih penting: pastikan setiap kelas punya variasi latar, bukan hanya variasi objek.

• Ambil beberapa sesi di waktu berbeda, jangan sekali duduk.
• Sertakan contoh negatif, yaitu gambar tanpa objek yang dicari.
• Hindari gambar hasil pencarian web kalau model akan dipakai di lingkunganmu sendiri.
• Simpan file asli sebelum diedit, termasuk yang nanti kamu buang.

Kalau kamu memotret objek yang punya sensor atau aktuator, dokumentasikan juga kondisi perangkatnya. Proyek yang menggabungkan kamera dan sensor sering butuh catatan tambahan, dan daftar modul sensor Arduino untuk pemula bisa jadi acuan mencatat parameter saat pengambilan data.

Bersihkan sebelum melabeli

Data kotor lebih mahal daripada data sedikit. Sebelum masuk proses pelabelan, jalankan beberapa pemeriksaan cepat:

1. Hapus duplikat dan gambar yang hampir identik. Foto beruntun dari objek diam biasanya menghasilkan banyak salinan.
2. Buang gambar buram, terlalu gelap, atau terpotong yang tidak mewakili kondisi sebenarnya.
3. Samakan format dan ukuran. Format campuran membuat skrip pemrosesan cepat berantakan.
4. Ganti nama file dengan pola yang konsisten, misalnya kelas_nomor.jpg.
5. Catat sumber setiap gambar di file terpisah kalau kamu mengambil dari beberapa sesi.

Duplikat yang lolos ke data latih dan data uji sekaligus akan membuat akurasi terlihat bagus padahal model cuma menghafal. Ini jebakan yang sulit dideteksi setelah angka evaluasi keluar, jadi bersihkan sekarang.

Beri label dengan aturan yang sama

Konsistensi label menentukan apakah model belajar pola yang benar. Tulis aturan pelabelan singkat: apakah objek yang terpotong separuh tetap diberi kotak, seberapa rapat kotak harus mengikuti tepi objek, dan bagaimana memperlakukan objek yang tertutup. Satu orang yang melabeli seluruh dataset lebih konsisten daripada lima orang dengan tafsiran berbeda, kecuali kamu menyediakan contoh acuan.

Untuk detail teknis, langkah di cara memberi label data gambar untuk computer vision membahas format keluaran dan pengecekan hasil. Luangkan waktu untuk meninjau sampel acak setelah pelabelan selesai, karena kesalahan sistematis lebih mudah terlihat saat kamu melihat sepuluh gambar berurutan.

Bagi data latih, validasi, dan uji

Pembagian yang lazim adalah 70 persen data latih, 15 persen validasi, dan 15 persen data uji. Angka ini bukan patokan mutlak, tapi cukup aman untuk dataset kecil. Yang wajib: pembagian dilakukan setelah pengelompokan gambar per sesi, bukan per file. Semua frame dari satu video sebaiknya masuk ke kelompok yang sama.

Bagian	Fungsi	Kapan dipakai
Latih	Model belajar pola	Setiap iterasi training
Validasi	Memilih pengaturan terbaik	Selama eksperimen
Uji	Mengukur kemampuan akhir	Sekali di akhir, setelah semua diputuskan

Jangan mengintip data uji untuk menyetel model. Begitu kamu menyesuaikan parameter berdasarkan hasil di data uji, bagian itu tidak lagi jadi pengukur yang jujur. Kalau perlu eksperimen tambahan, pakai data validasi.

Simpan catatan dan rawat dataset

Dataset yang tidak punya catatan akan menyulitkanmu tiga bulan kemudian. Tulis daftar kelas, jumlah gambar per kelas, tanggal pengambilan, perangkat yang dipakai, dan versi aturan pelabelan. Simpan semuanya di satu berkas teks di dalam folder dataset. Kalau dataset tumbuh, beri nomor versi supaya hasil eksperimen bisa dibandingkan.

Saat menambah gambar baru, jangan langsung mencampurnya ke data uji. Masukkan dulu ke data latih, lalu buat ulang pembagian kalau komposisinya berubah banyak. Praktik ini terdengar merepotkan, tapi menghemat waktu saat kamu perlu menjelaskan kenapa model tiba-tiba menurun akurasinya.

Kalau pengambilan data dilakukan di laptop yang sama dengan tempat training, pantau suhunya. Sesi merekam lama bisa membuat perangkat panas dan memperlambat proses berikutnya. Cara mengukur suhu laptop saat jalankan model AI membantu memutuskan kapan sebaiknya berhenti sejenak.

Ringkasan

Dataset gambar yang baik dimulai dari pertanyaan sempit, diisi variasi kondisi nyata, dibersihkan dari duplikat, dan dilabeli dengan aturan yang sama untuk semua gambar. Setelah itu baru dibagi per sesi pengambilan supaya data uji benar-benar mengukur kemampuan model. Sisihkan waktu untuk mencatat versi dataset, karena pekerjaan itu akan terasa berguna saat kamu kembali ke proyek ini beberapa bulan lagi.

Pertanyaan yang Sering Diajukan

Berapa jumlah gambar minimal untuk mulai melatih model?

Tidak ada angka pasti karena bergantung pada kerumitan objek. Untuk eksperimen awal, sekitar seratus gambar per kelas dengan variasi latar sudah cukup untuk melihat apakah pendekatanmu berjalan. Kalau model masih sering salah pada kondisi tertentu, tambah gambar di kondisi itu, bukan menambah acak.

Bolehkah memakai gambar dari internet?

Untuk latihan pribadi boleh, asalkan lisensinya mengizinkan. Untuk model yang dipakai di lingkungan nyata, gambar dari internet sering berbeda dari kondisi kamera aslimu, sehingga model bisa gagal saat dipasang. Foto sendiri lebih merepotkan di awal tapi hasilnya lebih bisa diandalkan.

Bagaimana kalau jumlah gambar antar kelas tidak seimbang?

Ketidakseimbangan ringan masih bisa ditangani dengan pengaturan saat training. Kalau satu kelas jauh lebih sedikit, kumpulkan tambahan gambar untuk kelas itu atau kurangi kelas yang terlalu dominan. Jangan menyamakan jumlah dengan menduplikasi gambar, karena duplikat hanya membuat model menghafal.