Implementasi dengan ImageAI

Implementasi Machine Learning Sederhana dengan ImageAI

1. Konsep Utama Machine Learning Praktis

Machine Learning modern tidak selalu mengharuskan kita membuat model dari awal atau memahami seluruh matematika dan statistik yang mendasarinya.

Salah satu pendekatan praktis adalah memanfaatkan model pra-latih (pre-trained model) yang sudah tersedia. Dengan pendekatan ini, developer dapat lebih fokus pada bagaimana model digunakan untuk menyelesaikan kebutuhan aplikasi.

Secara sederhana:

Model Pre-trained
       ↓
     Input
       ↓
   Prediction
       ↓
     Output

Pendekatan ini sangat berguna ketika kita ingin membuat aplikasi Machine Learning sederhana tanpa harus melakukan proses training model sendiri.

---

2. Mengenal ImageAI

ImageAI adalah library Python yang menyediakan fitur untuk membangun aplikasi berbasis Computer Vision, khususnya untuk melakukan klasifikasi gambar menggunakan model yang telah tersedia.

Dengan ImageAI, kita dapat memanfaatkan model Machine Learning yang sudah dilatih untuk mengenali berbagai objek dalam gambar.

tip

Repositori: https://github.com/olafenwamoses/imageai

Perubahan API pada Versi Terbaru

Pada materi versi lama, ImageAI menggunakan:

from imageai.Prediction import ImagePrediction

Pada versi yang digunakan dalam materi terbaru, API tersebut sudah berubah menjadi:

from imageai.Classification import ImageClassification

Selain itu, model SqueezeNet pada contoh lama telah digantikan dengan MobileNetV2 sebagai pilihan model yang cepat pada contoh terbaru.

---

3. Persiapan Lingkungan

Contoh struktur proyek:

really_smart_brain/
│
├── brain.py
├── house.jpg
└── mobilenet_v2-b0353104.pth

Keterangan:

• brain.py merupakan program utama.
• house.jpg merupakan gambar yang akan dianalisis.
• mobilenet_v2-b0353104.pth merupakan file model MobileNetV2.

Library yang digunakan perlu dipasang menggunakan pip sesuai kebutuhan dan kompatibilitas versi ImageAI yang digunakan.

---

4. Menggunakan ImageAI untuk Klasifikasi Gambar

Implementasi yang telah disesuaikan dengan perubahan API:

from imageai.Classification import ImageClassification
import os

exec_path = os.getcwd()

prediction = ImageClassification()

prediction.setModelTypeAsMobileNetV2()
prediction.setModelPath(
    os.path.join(exec_path, "mobilenet_v2-b0353104.pth")
)

prediction.loadModel()

predictions, probabilities = prediction.classifyImage(
    os.path.join(exec_path, "house.jpg"),
    result_count=5
)

for eachPred, eachProb in zip(predictions, probabilities):
    print(f"{eachPred} : {eachProb}")

tip

Download model disini: https://imageai.readthedocs.io/en/latest/prediction/

---

5. Penjelasan Kode

Mengimpor ImageClassification

from imageai.Classification import ImageClassification

Pada versi terbaru, klasifikasi gambar dilakukan menggunakan ImageClassification. Ini menggantikan penggunaan ImagePrediction pada contoh versi lama.

Mengambil Direktori Kerja

exec_path = os.getcwd()

os.getcwd() digunakan untuk mendapatkan direktori tempat program sedang dijalankan.

Membuat Objek Klasifikasi

prediction = ImageClassification()

Baris ini membuat objek ImageClassification yang digunakan untuk melakukan proses klasifikasi gambar.

Memilih MobileNetV2

prediction.setModelTypeAsMobileNetV2()

Pada contoh terbaru, MobileNetV2 digunakan sebagai model klasifikasi dan menggantikan SqueezeNet pada contoh lama.

Menentukan Lokasi Model

prediction.setModelPath(
    os.path.join(exec_path, "mobilenet_v2-b0353104.pth")
)

setModelPath() digunakan untuk menentukan lokasi file model yang akan digunakan.

Memuat Model

prediction.loadModel()

Perintah tersebut memuat model sehingga siap digunakan untuk melakukan klasifikasi.

Melakukan Klasifikasi Gambar

predictions, probabilities = prediction.classifyImage(
    os.path.join(exec_path, "house.jpg"),
    result_count=5
)

Pada versi terbaru, metode predictImage() digantikan dengan classifyImage().

Parameter result_count=5 meminta hingga lima hasil klasifikasi.

---

6. Menampilkan Hasil Prediksi

Hasil klasifikasi terdiri dari:

• predictions → nama objek yang diprediksi.
• probabilities → nilai probabilitas atau tingkat keyakinan terhadap prediksi.

Keduanya dapat diproses menggunakan zip():

for eachPred, eachProb in zip(predictions, probabilities):
    print(f"{eachPred} : {eachProb}")

Contoh hasil:

castle : 45.32
palace : 21.17
house : 15.84

Nilai tersebut menunjukkan tingkat keyakinan model terhadap masing-masing hasil klasifikasi.

---

7. Perbandingan Versi Lama dan Versi Baru

Karena API ImageAI berubah, kode dari materi lama tidak dapat digunakan begitu saja pada versi baru.

Bagian	Versi Lama	Versi Baru
Module	imageai.Prediction	imageai.Classification
Class	ImagePrediction	ImageClassification
Model	SqueezeNet	MobileNetV2
Menentukan model	setModelTypeAsSqueezeNet()	setModelTypeAsMobileNetV2()
File model	.h5	.pth
Prediksi	predictImage()	classifyImage()

Versi Lama

from imageai.Prediction import ImagePrediction

prediction = ImagePrediction()

prediction.setModelTypeAsSqueezeNet()
prediction.setModelPath(
    "squeezenet_weights_tf_dim_ordering_tf_kernels.h5"
)

prediction.loadModel()

predictions, probabilities = prediction.predictImage(
    "giraffe.jpg",
    result_count=5
)

Versi Baru

from imageai.Classification import ImageClassification

prediction = ImageClassification()

prediction.setModelTypeAsMobileNetV2()
prediction.setModelPath(
    "mobilenet_v2-b0353104.pth"
)

prediction.loadModel()

predictions, probabilities = prediction.classifyImage(
    "house.jpg",
    result_count=5
)

Penting: Jangan mencampurkan API versi lama dengan API versi baru. Jika menggunakan ImageClassification, gunakan metode dan konfigurasi model yang sesuai dengan versi tersebut.

---

8. MobileNetV2

MobileNetV2 merupakan model jaringan saraf yang dirancang dengan mempertimbangkan efisiensi komputasi.

Dalam konteks materi ini, MobileNetV2 digunakan sebagai pilihan model yang relatif ringan sehingga cocok untuk demonstrasi klasifikasi gambar.

Secara sederhana:

Gambar
  ↓
MobileNetV2
  ↓
Analisis Fitur
  ↓
Prediksi Objek
  ↓
Probability

---

9. Machine Learning Tidak Selalu 100% Akurat

Hasil klasifikasi Machine Learning bersifat probabilistik.

Artinya, model memberikan tingkat keyakinan terhadap beberapa kemungkinan hasil, bukan jaminan bahwa satu hasil pasti benar.

Contohnya:

Object A : 72.50
Object B : 18.30
Object C :  5.20

Model lebih yakin bahwa gambar tersebut merupakan Object A, tetapi hasil tersebut tetap merupakan prediksi.

Dalam aplikasi nyata, kita perlu mempertimbangkan:

• Kualitas dataset.
• Kualitas gambar.
• Model yang digunakan.
• Kondisi data.
• Tingkat confidence.
• Kebutuhan aplikasi.

---

10. Konsep Penting yang Dipelajari

Menggunakan Pre-trained Model

Kita dapat menggunakan model yang sudah dilatih tanpa harus melakukan training dari awal.

Computer Vision

Computer Vision memungkinkan komputer melakukan analisis terhadap data berbentuk gambar.

Classification

Model mencoba menentukan kategori atau objek yang terdapat dalam gambar.

Probability

Model memberikan nilai probabilitas sebagai indikasi tingkat keyakinan terhadap hasil prediksi.

Library Abstraction

Library seperti ImageAI menyederhanakan proses penggunaan model Machine Learning sehingga developer dapat fokus pada penerapan model dalam aplikasi.

---

11. Alur Lengkap Aplikasi

Secara keseluruhan, proses aplikasi dapat digambarkan sebagai berikut:

       Gambar
          ↓
  ImageClassification
          ↓
     MobileNetV2
          ↓
   Load Pre-trained
        Model
          ↓
    classifyImage()
          ↓
 ┌─────────────────┐
 │   Predictions   │
 │  Probabilities  │
 └─────────────────┘
          ↓
      Tampilkan
        Hasil

---

12. Kesimpulan

Machine Learning modern tidak selalu berarti membuat dan melatih model sendiri dari awal. Pre-trained model memungkinkan developer memanfaatkan model yang sudah tersedia untuk membangun aplikasi dengan lebih cepat.

Dalam contoh ini, ImageAI digunakan untuk melakukan klasifikasi gambar menggunakan MobileNetV2.

Perlu diperhatikan bahwa API ImageAI dapat berubah antarversi. Pada contoh lama digunakan:

imageai.Prediction

sedangkan pada versi terbaru digunakan:

imageai.Classification

Begitu pula SqueezeNet pada contoh lama telah digantikan oleh MobileNetV2 pada implementasi terbaru.

Konsep utama yang perlu diingat:

Pre-trained Model
       ↓
       Input
       ↓
   Classification
       ↓
    Prediction
       ↓
 Probability Score

Pendekatan seperti ini menjadi dasar penting untuk memahami bagaimana Machine Learning dapat diterapkan ke dalam aplikasi nyata tanpa selalu harus membangun model dari nol.