Real-Time SIBI Detection with YOLO and Deep Learning Models

Proyek ini merupakan penerapan YOLO (You Only Look Once) untuk deteksi gerakan tangan dan jari dalam Bahasa Isyarat Indonesia (SIBI) secara real-time menggunakan webcam. Sistem ini akan menampilkan bounding box dan alfabet hasil deteksi beserta skor confidence-nya.

🔍 Fitur Utama

• Deteksi real-time gerakan jari/tangan untuk SIBI menggunakan webcam.
• Menggunakan YOLOv8 untuk deteksi bounding box tangan.
• Tersedia 4 model image classification yang dapat dipilih:
  • DenseNet121 – ⭐ Recommended
  • EfficientNet-B0
  • ResNet18
  • MobileNetV3 Small
• Opsi untuk training ulang model dengan parameter yang dapat dikonfigurasi.
• Jalankan sistem secara langsung tanpa perlu training ulang.

📦 Dataset

Dataset diambil dari Kaggle:
📎 SIBI Dataset by Alvin Bintang

📦 Model YOLO (Bounding Box)

Model YOLO yang digunakan untuk mendeteksi tangan:
🔗 hand_yolov8s.pt

💻 Requirement

• CUDA 12.8 WAJIB digunakan apabila ingin melakukan training model.
• Python 3.9+
• OS: Windows 10/11 (karena menggunakan .bat files)

🚀 Cara Menjalankan

Opsi 1: Training Model Sendiri

1. Jalankan install (train).bat

   • Membuat virtual environment
   • Menginstall requirements.txt
   • Menginstall PyTorch yang sesuai dengan CUDA 12.8

2. Jalankan download.bat

   • Mengecek ketersediaan dataset secara lokal
   • Akan otomatis mendownload dari Kaggle jika belum ada

3. Jalankan training.bat

   • Memulai proses training untuk keempat model
   • Anda akan diminta memasukkan jumlah epoch dan batch size
     • Default: epoch=10, batch_size=32

4. Jalankan run.bat

   • Pilih model hasil training
   • Membuka kamera dan mulai deteksi real-time
   • Tekan q untuk keluar

---

Opsi 2: Langsung Jalankan Tanpa Training

1. Jalankan install (no train).bat

   • Membuat virtual environment
   • Menginstall requirement tanpa PyTorch

2. Jalankan run.bat

   • Pilih model yang sudah disediakan dalam repository
   • Membuka kamera dan mulai deteksi real-time
   • Tekan q untuk keluar

---

📊 Akurasi Model Klasifikasi

Model	Akurasi
DenseNet121	89.882%
ResNet18	89.228%
EfficientNet-B0	89.089%
MobileNetV3 Small	85.459%

---

📸 Real-Time Demo

Kamera akan langsung aktif saat run.bat dijalankan. Lakukan gestur bahasa isyarat, dan sistem akan menampilkan bounding box dan hasil prediksi huruf.

---

🧠 Catatan

• Pastikan Anda menggunakan GPU dengan driver yang kompatibel dengan CUDA 12.8 jika ingin melakukan training.
• Tidak disarankan menggunakan mode training di perangkat dengan CPU-only.

---

🤝 Kontribusi

Pull request dan issue sangat terbuka untuk pengembangan lebih lanjut. Jangan ragu untuk menyempurnakan model atau menambahkan fitur baru!

---

📜 Lisensi

Proyek ini dilisensikan di bawah MIT License.