Halo para pengembang dan pencinta visi komputer! Pernah merasa kewalahan saat harus mengelola berbagai aspek pengembangan proyek visi komputer Anda? Mulai dari menyiapkan data, melatih model, hingga menganalisis hasilnya, seringkali prosesnya panjang dan berliku. Nah, di sinilah **Roboflow Supervision Library** hadir sebagai "toolkit" penting yang siap membantu Anda.

Supervision dirancang sebagai set perkakas esensial untuk visi komputer. Fungsi utamanya adalah menyediakan blok bangunan yang Anda perlukan, mulai dari pemuatan data hingga penghitungan zona secara *real-time*. Dengan begitu, Anda bisa lebih fokus pada pengembangan aplikasi di sekitar model Anda, bukan terjebak dalam detail teknis yang berulang. Mari kita selami lebih dalam apa saja yang ditawarkan library ini.

## Memulai dengan Supervision

Memasang Supervision sangat mudah. Anda hanya perlu menginstal paketnya menggunakan `pip` di lingkungan Python>=3.10.

```bash
pip install supervision
```

Untuk detail lebih lanjut tentang instalasi melalui conda, mamba, atau dari *source*, Anda bisa melihat panduan lengkap mereka.

## Model Agnostik: Fleksibilitas Tanpa Batas

Salah satu fitur unggulan dari Supervision adalah sifatnya yang **model agnostik**. Artinya, Anda bisa menyematkan model klasifikasi, deteksi, atau segmentasi apa pun. Supervision menyediakan *connector* untuk library populer seperti Ultralytics, Transformers, MMDetection, atau Inference. Beberapa integrasi, seperti `rfdetr`, bahkan sudah secara langsung mengembalikan objek `sv.Detections`.

Mari kita lihat contoh penggunaan `rfdetr`:

```python
import supervision as sv
from PIL import Image
from rfdetr import RFDETRSmall

# Pastikan Anda sudah menginstal pillow dan rfdetr: pip install pillow rfdetr
image = Image.open("path/to/image.jpg")
model = RFDETRSmall()
detections = model.predict(image, threshold=0.5)
print(len(detections))
# Output: 5
```

Jika Anda menggunakan **Roboflow Inference**, prosesnya juga cukup mulus. Anda hanya memerlukan **Roboflow API KEY**.

```python
import supervision as sv
from PIL import Image
from inference import get_model

# Ganti "ROBOFLOW_API_KEY" dengan kunci API Anda
image = Image.open("path/to/image.jpg")
model = get_model(model_id="rfdetr-small", api_key="ROBOFLOW_API_KEY")
result = model.infer(image)[0]
detections = sv.Detections.from_inference(result)
print(len(detections))
# Output: 5
```

## Anotator: Visualisasi Deteksi yang Jelas

Supervision menawarkan berbagai **annotators** yang sangat bisa disesuaikan, memungkinkan Anda membuat visualisasi yang sempurna untuk kasus penggunaan Anda. Misalnya, `BoxAnnotator` sangat berguna untuk menggambar *bounding box* hasil deteksi.

```python
import cv2
import supervision as sv

image = cv2.imread("path/to/image.jpg")
# Asumsikan 'detections' didapatkan dari hasil model
# Contoh: detections = sv.Detections(...)
box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(scene=image.copy(), detections=detections)

# Anda bisa menampilkan 'annotated_frame' menggunakan cv2.imshow atau menyimpannya
```

## Manajemen Dataset: Memuat, Membagi, Menggabung, dan Menyimpan

Mengelola dataset adalah inti dari pengembangan visi komputer. Supervision menyediakan serangkaian utilitas yang memungkinkan Anda memuat, membagi, menggabungkan, dan menyimpan dataset dalam berbagai format yang didukung.

Berikut adalah gambaran kemampuan manajemen dataset di Supervision:

| Operasi    | Fungsi                                                | Format yang Didukung     |
| :--------- | :---------------------------------------------------- | :----------------------- |
| **Memuat** | `DetectionDataset.from_yolo`, `from_pascal_voc`, `from_coco` | YOLO, Pascal VOC, COCO   |
| **Membagi** | `dataset.split(split_ratio=...)`                      | Umum untuk semua format  |
| **Menggabung** | `DetectionDataset.merge([dataset1, dataset2])`     | Umum untuk semua format  |
| **Menyimpan** | `dataset.as_yolo`, `as_pascal_voc`, `as_coco`      | YOLO, Pascal VOC, COCO   |
| **Mengonversi** | Memuat dari satu format dan menyimpan ke format lain | YOLO, Pascal VOC, COCO   |

Untuk memuat dataset, Anda bisa langsung mengunduhnya dari Roboflow:

```python
import supervision as sv
from roboflow import Roboflow

project = Roboflow().workspace("WORKSPACE_ID").project("PROJECT_ID")
dataset = project.version("PROJECT_VERSION").download("coco")

ds = sv.DetectionDataset.from_coco(
    images_directory_path=f"{dataset.location}/train",
    annotations_path=f"{dataset.location}/train/_annotations.coco.json",
)

# Anda bisa mengiterasi dataset atau mengakses elemennya
path, image, annotation = ds[0]
for path, image, annotation in ds:
    # Lakukan sesuatu dengan setiap gambar dan anotasi
    pass
```

Supervision juga memungkinkan Anda membagi dataset menjadi set pelatihan, pengujian, dan validasi:

```python
train_dataset, test_dataset = dataset.split(split_ratio=0.7)
test_dataset, valid_dataset = test_dataset.split(split_ratio=0.5)

print(len(train_dataset), len(test_dataset), len(valid_dataset))
# Output: (700, 150, 150) (Contoh ukuran)
```

Jika Anda memiliki beberapa dataset yang ingin digabungkan, Supervision juga bisa melakukannya dengan mudah:

```python
ds_1 = sv.DetectionDataset(...) # Anggap berisi 100 deteksi, kelas ['dog', 'person']
ds_2 = sv.DetectionDataset(...) # Anggap berisi 200 deteksi, kelas ['cat']

ds_merged = sv.DetectionDataset.merge([ds_1, ds_2])
print(len(ds_merged))
# Output: 300
print(ds_merged.classes)
# Output: ['cat', 'dog', 'person']
```

## Tutorial dan Studi Kasus

Tidak hanya menawarkan fitur inti, Supervision juga menyediakan berbagai tutorial, panduan, dan contoh *end-to-end* untuk membantu Anda memulai. Beberapa contoh studi kasus yang menarik meliputi:

*   **Analisis Waktu Tunggu (*Dwell Time Analysis*)**: Pelajari cara menggunakan visi komputer untuk menganalisis waktu tunggu dan mengoptimalkan proses. Ini mencakup deteksi objek, pelacakan, dan penghitungan waktu yang dihabiskan di zona tertentu.
*   **Estimasi Kecepatan & Pelacakan Kendaraan**: Tutorial ini menunjukkan cara melacak dan mengestimasi kecepatan kendaraan menggunakan YOLO, ByteTrack, dan Roboflow Inference, mencakup deteksi objek, pelacakan multi-objek, transformasi perspektif, dan peningkatan visualisasi.

Proyek nyata seperti pelacakan pemain sepak bola, analisis lalu lintas, dan pemantauan kendaraan telah dibangun menggunakan Supervision, menunjukkan kemampuannya di dunia nyata.

## Membangun Lebih Cepat dan Andal

Supervision adalah *toolkit* yang sangat berguna bagi siapa saja yang bekerja di bidang visi komputer. Dengan pendekatan **model agnostik** dan utilitas lengkap untuk data, model, dan visualisasi, ia mempercepat alur kerja pengembangan Anda secara signifikan. Baik Anda seorang peneliti, *engineer*, atau sekadar penggemar, Supervision menyediakan fondasi yang kuat untuk proyek visi komputer Anda.

Jika Anda tertarik untuk berkontribusi pada proyek ini, mereka juga memiliki panduan kontribusi yang bisa Anda ikuti.

## Referensi

*   https://github.com/roboflow/supervision

Pelajari bagaimana Roboflow Supervision Library menyederhanakan pengembangan aplikasi visi komputer, dari pemuatan data hingga anotasi dan inferensi model yang agnostik.

Membongkar Roboflow Supervision Library: Toolkit Esensial untuk Visi Komputer

Reggi

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#visi-komputer

Getting Lastest Post..

Populer Bulan Ini