Istilah C13 · CV Terapan

89 dari 89 istilah

• 8 tetanggajuga: 4 tetangga, 8-tetangga, 4-tetangga

  Aturan siapa tetangga sebuah piksel. 4 tetangga: atas, bawah, kiri, kanan. 8 tetangga: ditambah empat diagonal, sehingga piksel yang hanya bersentuhan sudut ikut tersambung.

  Contoh: ndi.label memakai 4 tetangga secara bawaan; structure=np.ones((3, 3)) mengubahnya menjadi 8 tetangga.

  Dipelajari di Modul 09 · Segmentasi

• aHashjuga: hash persepsi, jarak Hamming

  Sidik jari citra untuk menemukan salinan hampir kembar: citra dikecilkan menjadi blok (misalnya 12 × 12), lalu setiap blok menjadi satu bit "lebih terang dari rata-rata". Dua citra dibandingkan dengan jarak Hamming, yaitu banyak bit yang berbeda.

  Contoh: foto 4 dan salinannya, foto 31, berjarak 0 dari 144 bit walaupun pikselnya berbeda sampai 37.

  Dipelajari di Modul 06 · Evaluasi dan kalibrasi

• ambangjuga: threshold

  Batas untuk mengubah angka menjadi keputusan ya atau tidak. Pada citra: piksel yang lebih terang dari ambang t menjadi latar depan. Pada deteksi: kotak dianggap benar bila IoU-nya minimal 0,5, dan hanya kotak berskor di atas ambang skor yang dipakai.

  Contoh: tray telur 0 dengan t = 113 memberi Dice 0,7083; dengan t = 90 hanya 0,3548.

  Dipelajari di Modul 03 · Ambang dan morfologi

• ambang adaptif

  Ambang yang berbeda di setiap piksel: piksel dibandingkan dengan rata-rata (atau median) jendela di sekitarnya, bukan dengan satu angka untuk seluruh citra. Cocok untuk cahaya yang tidak rata.

  Contoh: tray 12 disinari dari kiri; Otsu global memberi Dice 0,344, ambang adaptif 15 × 15 memberi 0,676.

  Dipelajari di Modul 03 · Ambang dan morfologi

• amplopjuga: amplop presisi

  Kurva presisi yang diratakan dari kanan: di setiap peringkat, presisi diganti presisi terbesar di peringkat itu atau sesudahnya. Lekuk gergaji hilang, dan AP dihitung dari amplop ini.

  Contoh: presisi 0,667 di peringkat 3 menjadi 0,75 karena peringkat 4 berpresisi 0,75.

  Dipelajari di Modul 08 · Mengukur detektor: AP dan mAP

• APjuga: average precision

  Ringkasan kurva presisi–recall satu kelas dalam satu angka: luas di bawah amplop presisi. Versi VOC menjumlahkan kenaikan recall × amplop; versi COCO merata-ratakan amplop di 101 titik recall. Kebenaran yang tak terdeteksi membuat recall berhenti sebelum 1, sehingga AP turun.

  Contoh: TP/FP [1, 1, 0, 1, 0, 1, 0, 0] dengan 5 kebenaran memberi AP VOC 0,6833 dan AP COCO 0,6865.

  Dipelajari di Modul 08 · Mengukur detektor: AP dan mAP

• argmaxjuga: np.argmax

  Mengembalikan posisi (indeks) nilai terbesar, bukan nilainya. Bila ada nilai terbesar yang seri, yang diambil indeks pertama. Dengan axis=1 pada larik (N, K), hasilnya satu indeks per baris.

  Contoh: np.argmax(var) memilih ambang Otsu 113; P.argmax(1) memberi kelas tebakan setiap foto.

  Dipelajari di Modul 03 · Ambang dan morfologi

• astype

  Metode larik NumPy yang membuat salinan dengan tipe lain. foto.astype(np.float64) menyiapkan hitungan yang aman; astype(np.uint8) membuang desimal tanpa menjepit, jadi panggil np.clip lebih dulu.

  Contoh: np.clip(foto.astype(np.float64) + 60, 0, 255).round().astype(np.uint8).

  Dipelajari di Modul 01 · Citra sebagai larik

• augmentasijuga: augmentasi data, augmentasi geometris

  Membuat variasi citra latih secara acak (balik, putar, skala, ubah terang) agar model tahan terhadap variasi itu. Label harus ikut berubah, misalnya kotak ikut diputar, dan augmentasi yang mengubah arti, misalnya membalik huruf pada struk, tidak boleh dipakai.

  Contoh: rotasi 45° membuat kotak pembungkus 20 × 10 menjadi longgar: luasnya 450, bukan 200.

  Dipelajari di Modul 04 · Transformasi geometris dan augmentasi

• axis

  Argumen yang memilih sumbu tempat operasi berjalan. Pada mean, sum, dan argmax, sumbu itu dirangkum dan hilang dari bentuk hasil. Pada filter seperti ndi.sobel, axis memilih arah perubahan: 0 ke bawah, 1 ke kanan.

  Contoh: foto.reshape(-1, 3).mean(axis=0) memberi tiga angka: rata-rata R, G, dan B.

  Dipelajari di C9 · Modul 04 · Backpropagation dengan matriks

• benihjuga: seed, berbenih

  Angka awal pembangkit bilangan acak. Benih yang sama selalu menghasilkan deret angka "acak" yang sama, sehingga augmentasi dan eksperimen bisa diulang persis.

  Contoh: dengan benih 0, contoh augmentasi selalu menarik sudut −4,60°, skala 0,908, dan terang 0,807.

  Dipelajari di C1 · Modul 01 · Peran data scientist dan siklus analisis

• BGRjuga: urutan BGR

  Urutan kanal biru, hijau, merah. OpenCV membaca berkas citra dalam urutan ini, sedangkan NumPy, Pillow, dan kontrak netra memakai RGB. Larik tidak membawa label urutannya, jadi kanal yang tertukar tidak memunculkan galat.

  Contoh: sabun biru (R 117, G 159, B 245) yang urutan kanalnya terbalik terbaca R 245, G 159, B 117: oranye.

  Dipelajari di Modul 01 · Citra sebagai larik

• BT.601juga: abu-abu BT.601

  Standar bobot untuk mengubah warna menjadi abu-abu: 0,299 R + 0,587 G + 0,114 B. Hijau berbobot terbesar karena mata paling peka pada hijau; jumlah bobotnya 1, jadi piksel yang sudah abu-abu tidak berubah.

  Contoh: merah murni menjadi 76,24, hijau murni 149,69, biru murni 29,07, padahal rata-rata biasa memberi 85 untuk ketiganya.

  Dipelajari di Modul 01 · Citra sebagai larik

• Cannyjuga: detektor Canny, tepi Canny

  Detektor tepi klasik empat langkah: haluskan dengan Gaussian, hitung gradien dengan Sobel, tipiskan dengan penekanan non-maksimum, lalu pilih tepi dengan dua ambang (histeresis): piksel lemah ikut hanya bila tersambung ke piksel kuat.

  Contoh: struk 0 dengan σ = 1 dan ambang 20 dan 50 memberi 3.341 piksel tepi.

  Dipelajari di Modul 02 · Filter dan tepi

• CDFjuga: fungsi distribusi kumulatif, histogram kumulatif

  Histogram yang dijumlahkan berurutan: CDF(v) = banyak piksel bernilai paling tinggi v. Nilainya tidak pernah turun, sehingga cocok menjadi peta nilai baru pada ekualisasi histogram, yang meregangkan rentang terang tanpa mengubah urutan terang antarpiksel.

  Contoh: ekualisasi lewat CDF meregangkan foto 86 dari rentang 50–144 menjadi 0–255.

  Dipelajari di Modul 01 · Citra sebagai larik

• CERjuga: character error rate, jarak edit

  Tingkat galat karakter: jarak edit (banyak sisipan, hapusan, dan penggantian karakter yang dibutuhkan) dibagi panjang teks rujukan. Makin kecil makin baik; 0 berarti sama persis.

  Contoh: 8850O untuk 88500 dan satu spasi yang hilang: 2 suntingan dari 45 karakter, CER 0,0444.

  Dipelajari di C3 · Modul 17 · Multimodal

• COCO

  Dataset deteksi dan segmentasi besar beserta aturan yang dipakai luas: kotak ditulis [x, y, w, h], masker disimpan sebagai RLE kolom demi kolom, dan AP dihitung di 101 titik recall serta sepuluh ambang IoU.

  Contoh: kotak [2, 12, 7, 22] dalam format netra ditulis COCO sebagai [2, 12, 5, 10].

  Dipelajari di Modul 07 · Deteksi objek: kotak, IoU, NMS

• confident learning

  Cara mencari label yang mungkin keliru: peluang setiap citra dihitung dengan validasi silang (model yang tidak melihat citra itu), lalu label yang peluangnya rendah sementara kelas lain tinggi dikirim ke manusia untuk ditinjau, bukan diganti otomatis.

  Contoh: indeks 19 berlabel telur hanya berpeluang 0,007, sedangkan mi_instan 0,989.

  Dipelajari di Modul 12 · Mutu pelabelan

• deraujuga: noise, garam-merica, derau garam-merica

  Gangguan acak yang mengotori data: nilai piksel yang meleset (dari sensor atau cahaya redup), atau label yang keliru (derau label). Derau garam-merica mengubah sebagian kecil piksel menjadi 0 atau 255; filter median (nilai tengah tetangga) menghapusnya lebih baik daripada rata-rata.

  Contoh: struk 0 punya 177 piksel bernilai 0 atau 255; sesudah median 3 × 3 tidak ada yang tersisa.

  Dipelajari di Modul 02 · Filter dan tepi

• Dicejuga: koefisien Dice

  Ukuran kecocokan dua masker: 2 × irisan / (luas A + luas B). Bernilai 1 bila sama persis dan 0 bila tidak beririsan. Dice sama dengan F1 untuk piksel dan selalu terikat dengan IoU: Dice = 2·IoU / (1 + IoU).

  Contoh: telur 4 × 4 yang tebakannya bergeser satu kolom: irisan 12 piksel, Dice = 24 / 32 = 0,75.

  Dipelajari di Modul 03 · Ambang dan morfologi

• dilasi

  Kebalikan erosi: piksel menjadi 1 bila elemen struktur yang dipusatkan di sana menyentuh objek. Lubang kecil tertambal, tetapi semua objek menebal.

  Contoh: kotak 5 × 5 berlubang ditambah satu bintik (25 piksel), sesudah dilasi dengan SE kotak 3 × 3, menjadi 55 piksel dan lubangnya tertutup.

  Dipelajari di Modul 03 · Ambang dan morfologi

• ECEjuga: expected calibration error

  Ukuran seberapa tidak terkalibrasi model: foto dikelompokkan menurut keyakinan, lalu selisih rata-rata keyakinan dan akurasi setiap kelompok dirata-ratakan dengan bobot banyak fotonya. Nilai 0 berarti keyakinan sama dengan akurasi.

  Contoh: ECE uji turun dari 0,198 ke 0,156 sesudah temperature scaling.

  Dipelajari di Modul 06 · Evaluasi dan kalibrasi

• erosi

  Operasi morfologi yang mengikis objek: piksel tetap 1 hanya bila seluruh elemen struktur (SE, misalnya kotak 3 × 3) yang dipusatkan di sana jatuh di objek. Bintik kecil hilang, tetapi lubang membesar.

  Contoh: kotak 5 × 5 yang dierosi dengan SE kotak 3 × 3 menyusut menjadi 3 × 3.

  Dipelajari di Modul 03 · Ambang dan morfologi

• F1juga: skor F1, F1 makro, F1 mikro

  Rata-rata harmonik presisi dan recall: 2·P·R / (P + R), tinggi hanya bila keduanya tinggi. F1 makro merata-ratakan F1 setiap kelas sehingga kelas kecil ikut terasa; F1 mikro menjumlahkan semua TP, FP, FN dulu dan, untuk satu label per foto, sama dengan akurasi.

  Contoh: F1 kopi_sachet 0,5714; F1 makro 0,7332; F1 mikro 0,7407.

  Dipelajari di C2 · Modul 05 · Evaluasi klasifikasi dan keputusan

• filter Gaussianjuga: Gaussian, kernel Gaussian, penghalusan Gaussian

  Penghalus yang merata-ratakan tetangga dengan bobot berbentuk lonceng: piksel dekat berbobot besar, piksel jauh kecil. Lebarnya diatur σ (sigma). Kernel 2D-nya bisa dipisah menjadi dua kernel 1D (baris lalu kolom), sehingga jauh lebih murah.

  Contoh: σ = 1 dengan radius 3 memberi kernel 1D tujuh angka dengan puncak 0,3991; versi terpisah butuh 14 perkalian per piksel, bukan 49.

  Dipelajari di Modul 02 · Filter dan tepi

• Fleiss' kappajuga: kappa, Fleiss kappa

  Ukuran kesepakatan banyak anotator yang mengurangi kesepakatan karena kebetulan: κ = (P̄ − Pₑ) / (1 − Pₑ). Nilai 1 berarti sepakat sempurna, 0 berarti tidak lebih baik dari kebetulan.

  Contoh: tiga anotator per citra etalase: kesepakatan 0,7806, kebetulan 0,1679, κ = 0,7363.

  Dipelajari di Modul 12 · Mutu pelabelan

• FNjuga: false negative

  Kebenaran yang tidak tertangkap: barang tanpa prediksi yang cocok. FN tidak muncul di daftar deteksi, tetapi tetap menurunkan recall karena kebenaran itu ikut dihitung di penyebut.

  Contoh: 4 dari 21 botol teh di citra rak 0–13 tidak pernah terdeteksi, jadi recall-nya paling tinggi 17 / 21 ≈ 0,81.

  Dipelajari di Modul 08 · Mengukur detektor: AP dan mAP

• FPjuga: false positive, positif palsu

  Prediksi yang salah: kotak yang tidak cocok dengan kebenaran mana pun, atau duplikat dari kebenaran yang sudah dipakai. Pada pelacakan: kotak pelacak tanpa pasangan.

  Contoh: prediksi mi berskor 0,585 ber-IoU 0,67, tetapi kebenarannya sudah dipakai prediksi 0,769, jadi FP.

  Dipelajari di Modul 08 · Mengukur detektor: AP dan mAP

• gradienjuga: magnitudo gradien, arah gradien, gx, gy

  Besar dan arah perubahan terang di sebuah piksel, dihitung dari gx dan gy. Besarnya √(gx² + gy²) menunjukkan kuatnya tepi; arahnya atan2(gy, gx) menunjuk dari gelap ke terang, tegak lurus tepi.

  Contoh: di pojok persegi terang, gx = gy = 100, jadi besarnya 141,4 dan arahnya 45°.

  Dipelajari di Modul 02 · Filter dan tepi

• histogram

  Hitungan berapa piksel jatuh di setiap rentang nilai (bin). Histogram menunjukkan sebaran terang sebuah citra, tetapi tidak menyimpan letak pikselnya.

  Contoh: foto 86 yang redup dengan 8 bin selebar 32: [0 58 61 431 26 0 0 0]; separuh atas rentang 0–255 kosong.

  Dipelajari di Modul 01 · Citra sebagai larik

• HOGjuga: histogram gradien berarah

  Fitur bentuk dari arah tepi: citra dibagi sel (misalnya 6 × 6 piksel), setiap sel diberi histogram arah gradien yang dibobot besar gradiennya, lalu dinormalkan. Tahan terhadap perubahan terang, tetapi tidak tahu warna.

  Contoh: citra 24 × 24 dengan sel 6 × 6 dan 9 bin arah memberi 4 × 4 × 9 = 144 angka.

  Dipelajari di Modul 05 · Klasifikasi: dari fitur buatan tangan ke *transfer learning*

• interpolasi bilinearjuga: bilinear

  Cara membaca citra di titik yang jatuh di antara pusat piksel: rata-rata tertimbang empat piksel terdekat, bobotnya makin besar bila makin dekat. Lebih halus dari mengambil tetangga terdekat, tetapi setiap kali dipakai detail memudar sedikit.

  Contoh: dua belas putaran 30° berturut-turut memberi galat rata-rata 15,11 tingkat terang; satu putaran 360° tidak.

  Dipelajari di Modul 04 · Transformasi geometris dan augmentasi

• IoUjuga: intersection over union, Jaccard

  Ukuran tumpang tindih dua kotak atau dua masker: luas irisan dibagi luas gabungan. Bernilai 1 bila sama persis dan 0 bila tidak bersentuhan. Deteksi biasanya dianggap benar bila IoU-nya dengan kebenaran minimal 0,5.

  Contoh: kotak [1, 1, 6, 5] dan [3, 2, 8, 7]: irisan 9, gabungan 20 + 25 − 9 = 36, IoU 0,25.

  Dipelajari di Modul 07 · Deteksi objek: kotak, IoU, NMS

• irisan

  Dipakai dengan tiga arti. (1) Bagian yang tumpang tindih dari dua kotak atau dua masker, pembilang IoU dan Dice. (2) Sebagian data menurut kondisi pengambilan (kamera, cahaya), yang metriknya dihitung tersendiri untuk menemukan kondisi yang lemah. (3) Potongan indeks Python (slice), misalnya rentang baris dan kolom dari find_objects.

  Contoh: (1) kotak [1, 1, 6, 5] dan [3, 2, 8, 7] beririsan 3 × 3 = 9 piksel; (2) irisan "kamera baru" berakurasi 0,7778, di bawah kamera lama.

• kalibrasijuga: terkalibrasi, data kalibrasi

  Dipakai dengan dua arti. (1) Kejujuran angka peluang: model terkalibrasi bila foto yang diberi keyakinan 0,9 memang benar sekitar 90%. (2) Pada kuantisasi: memperkirakan rentang nilai di dalam model dari contoh masukan (data kalibrasi) sebelum model diubah ke int8.

  Contoh: 42 foto uji berkeyakinan rata-rata 0,989 hanya benar 0,881: model terlalu yakin.

  Dipelajari di Modul 06 · Evaluasi dan kalibrasi

• kanaljuga: kanal warna

  Satu lapisan angka dalam citra berwarna. Citra RGB punya tiga kanal (merah, hijau, biru), sehingga lariknya berbentuk (tinggi, lebar, 3); citra abu-abu hanya punya satu kanal.

  Contoh: piksel kiri atas foto pertama etalase bernilai [153 160 147]: R 153, G 160, B 147.

  Dipelajari di Modul 01 · Citra sebagai larik

• kartu modeljuga: model card

  Lembar satu halaman yang menyertai model: tujuan, pemakaian yang tidak dimaksudkan, data, metrik per kondisi dengan interval, batasan, dan lisensi.

  Contoh: angka di kartu model netra diambil dari laporan yang diperiksa mesin, lengkap dengan bagian data dan tanggalnya.

  Dipelajari di Modul 14 · Etika, privasi, dan keselamatan

• kebenaranjuga: ground truth, masker kebenaran, kotak kebenaran

  Jawaban yang benar untuk setiap citra, dibuat manusia atau pembangkit data. Kebenaran hanya dipakai untuk mengukur hasil, tidak pernah sebagai masukan pipeline.

  Contoh: butir/masker.bin (0 = latar, 1..k = nomor telur) dan kotak di rak/kotak.json adalah kebenaran.

  Dipelajari di Modul 03 · Ambang dan morfologi

• kerneljuga: kernel konvolusi

  Larik bobot kecil (misalnya 3 × 3) yang digeser di atas citra. Di setiap posisi, piksel di bawahnya dikalikan bobotnya lalu dijumlahkan. Bobot menentukan efeknya: rata-rata menghaluskan, beda tetangga mencari tepi.

  Contoh: np.ones((3, 3)) / 9 adalah kernel rata-rata 3 × 3.

  Dipelajari di Modul 02 · Filter dan tepi

• keyakinanjuga: confidence

  Angka 0–1 tentang seberapa yakin sistem pada tebakannya. Pada klasifikasi: peluang tertinggi dari softmax. Pada OCR struk: d₂ / (d₁ + d₂), dengan d₁ dan d₂ jarak ke templat terdekat dan kedua. Keyakinan tinggi bukan jaminan benar.

  Contoh: foto kopi yang salah ditebak telur punya keyakinan 0,927.

  Dipelajari di Modul 06 · Evaluasi dan kalibrasi

• komponen terhubungjuga: gumpalan

  Kelompok piksel latar depan yang saling bisa dicapai lewat langkah ke tetangga. Memberi label komponen terhubung berarti memberi setiap kelompok nomor 1, 2, 3, … sehingga bendanya bisa dihitung.

  Contoh: di citra contoh 4 × 5, aturan 4 tetangga memberi 5 komponen, aturan 8 tetangga hanya 2.

  Dipelajari di Modul 09 · Segmentasi

• konvolusijuga: korelasi, korelasi silang

  Operasi menggeser kernel di atas citra dan menjumlahkan hasil kali di setiap posisi. Yang dihitung ndi.correlate sebenarnya korelasi silang; konvolusi matematis membalik kernel lebih dulu, tetapi untuk kernel simetris (rata-rata, Gaussian) hasil keduanya sama.

  Contoh: kernel rata-rata 3 × 3 di tengah citra contoh 5 × 5: sembilan piksel berjumlah 250, jadi keluarannya 27,8.

  Dipelajari di C9 · Modul 08 · Konvolusi

• kuantisasijuga: int8, kuantisasi simetris

  Menyimpan dan menghitung bobot serta nilai di dalam model sebagai bilangan bulat kecil (biasanya 8 bit) alih-alih float 32 bit. Ukuran model turun sekitar empat kali dan inferensi di CPU lebih cepat, dengan galat kecil yang harus diukur.

  Contoh: ResNet-18 berukuran 46,758 MB di float32 dan 11,690 MB di int8.

  Dipelajari di C9 · Modul 14 · Model terbuka, fine-tuning, LoRA

• kuantisasi afinjuga: titik nol

  Kuantisasi yang memetakan rentang [lo, hi] ke kode 0–255 dengan skala dan titik nol: q = round(x / skala) + titik nol. Titik nol adalah kode yang mewakili 0, sehingga rentang yang tidak simetris (misalnya hampir semuanya positif) tidak memboroskan kode.

  Contoh: rentang −0,6 sampai 2,4 memberi skala 0,011765 dan titik nol 51.

  Dipelajari di Modul 13 · Deploy ringan: ONNX dan kuantisasi

• latar depanjuga: foreground

  Piksel yang termasuk objek yang dicari (telur, tinta, kardus), lawan dari latar. Ambang, ambang adaptif, atau latar median memisahkan keduanya menjadi masker biner.

  Contoh: di tray 0, telur menempati 13% piksel; ambang 113 menjadikan 24% piksel latar depan.

  Dipelajari di Modul 03 · Ambang dan morfologi

• latar medianjuga: pengurangan latar

  Citra latar untuk video dari kamera diam: median setiap piksel sepanjang waktu. Selama benda menutupi sebuah piksel kurang dari separuh waktu, median tetap nilai latar; piksel yang jauh dari latar dianggap bergerak.

  Contoh: latar sabuk konveyor bernilai sekitar 76, sedangkan rata-rata biasa di lajur bawah terseret kardus terang ke sekitar 94.

  Dipelajari di Modul 11 · Video dan pelacakan dasar

• linear_sum_assignment

  Fungsi scipy.optimize untuk penugasan Hungaria: dari matriks biaya, ia mengembalikan pasangan baris dan kolom yang total biayanya terkecil, dengan setiap baris dan kolom dipakai paling banyak sekali.

  Contoh: baris, kolom = linear_sum_assignment(1 - M) memasangkan kardus yang dilacak dengan deteksi baru menurut IoU.

  Dipelajari di Modul 11 · Video dan pelacakan dasar

• LogisticRegression

  Kelas scikit-learn untuk regresi logistik; dengan banyak kelas, ia memberi satu skor (logit) per kelas. C mengatur kekuatan regularisasi (makin kecil makin kuat), dan max_iter membatasi langkah pelatihan.

  Contoh: LogisticRegression(C=1.0, max_iter=5000) di atas 1.872 fitur piksel + HOG mencapai akurasi uji 0,9259.

  Dipelajari di C2 · Modul 04 · Regresi logistik dan klasifikasi

• logit

  Skor mentah model untuk setiap kelas sebelum diubah menjadi peluang. Softmax mengubahnya: setiap skor dieksponenkan lalu dibagi jumlah semuanya, sehingga peluangnya positif dan berjumlah 1. Kelas dengan logit terbesar adalah tebakan model.

  Contoh: logit.csv berisi enam logit per foto; softmax-nya memberi akurasi uji 0,7407 dengan keyakinan rata-rata 0,94.

  Dipelajari di C9 · Modul 01 · Dari regresi logistik ke jaringan saraf

• luapanjuga: meluap, overflow

  Hasil hitungan yang tidak muat di tipe datanya. Pada uint8 (0–255) NumPy tidak memunculkan galat: nilai di luar rentang berputar modulo 256, sehingga piksel yang seharusnya terang bisa mendadak gelap.

  Contoh: dua piksel uint8 bernilai 200 yang dijumlahkan menjadi 144, bukan 400 atau 255.

  Dipelajari di Modul 01 · Citra sebagai larik

• mAPjuga: mean average precision

  Rata-rata AP semua kelas. COCO juga merata-ratakan sepuluh ambang IoU 0,50; 0,55; …; 0,95 (ditulis mAP@[0,5:0,95]), sehingga kotak yang longgar ikut dihukum.

  Contoh: AP rak per kelas 0,8002, 0,8064, dan 0,7666 memberi mAP@0,5 = 0,7911; mAP@[0,5:0,95] hanya 0,4343.

  Dipelajari di Modul 08 · Mengukur detektor: AP dan mAP

• maskerjuga: masker biner

  Larik seukuran citra yang menandai piksel mana termasuk sesuatu: objek yang dicari, atau wilayah yang harus dinolkan seperti zona privasi ("memasang masker"). Masker biner berisi True/False (atau 1/0); masker instans memberi setiap objek nomornya sendiri.

  Contoh: abu > 113 menghasilkan masker biner telur untuk tray 0.

  Dipelajari di Modul 03 · Ambang dan morfologi

• masker instansjuga: instans, segmentasi instans

  Masker yang memberi setiap objek nomornya sendiri: 0 = latar, 1..k = objek. Berbeda dari masker biner yang hanya menjawab "objek atau bukan", sehingga telur yang bersentuhan tetap bisa dihitung terpisah.

  Contoh: di potongan tray 4, telur 6 menempel ke telur 3 dan telur 3 ke telur 5; di masker biner ketiganya menjadi satu gumpalan.

  Dipelajari di Modul 09 · Segmentasi

• matriks konfusijuga: matriks kebingungan, confusion matrix

  Tabel yang menghitung setiap pasangan (kelas benar, kelas tebakan): baris = kelas benar, kolom = prediksi. Diagonal berisi tebakan yang benar; sel lain menunjukkan kelas mana yang tertukar.

  Contoh: di baris kopi_sachet data uji, hanya 4 dari 9 foto yang benar.

  Dipelajari di Modul 06 · Evaluasi dan kalibrasi

• metode Otsujuga: Otsu, ambang Otsu

  Cara memilih satu ambang secara otomatis dari histogram: coba semua ambang 0–255, lalu pilih yang membuat kelompok piksel gelap dan terang paling terpisah, yaitu yang varians antarkelasnya terbesar.

  Contoh: Otsu memilih ambang 113 untuk tray 0, dengan varians antarkelas 371,5.

  Dipelajari di Modul 03 · Ambang dan morfologi

• mode tepijuga: padding

  Cara mengisi piksel di luar citra sebelum filter dijalankan, agar keluaran seukuran masukan. Kontrak netra memakai empat nama: nol (constant), replikasi (nearest), refleksi (reflect, bawaan scipy), dan cermin (mirror). Hanya piksel dekat pinggir yang terpengaruh.

  Contoh: rata-rata 3 × 3 di pojok kiri atas citra contoh bernilai 14,4 (nol), 45,6 (replikasi dan refleksi), dan 22,2 (cermin).

  Dipelajari di Modul 02 · Filter dan tepi

• model pralatihjuga: pralatih, bobot pralatih

  Model yang bobotnya sudah dilatih orang lain di data besar, misalnya ImageNet. Bobot itu hanya bermakna bila masukan diolah persis seperti saat pralatih: urutan RGB, skala 0–1, dikurangi rata-rata dan dibagi simpangan baku per kanal.

  Contoh: piksel (124, 116, 104) yang lupa dibagi 255 menjadi 460–539, ratusan kali lebih besar dari yang pernah dilihat model.

  Dipelajari di Modul 05 · Klasifikasi: dari fitur buatan tangan ke *transfer learning*

• MOTA

  Akurasi pelacakan banyak objek: 1 − (FP + FN + pertukaran ID) / banyak kotak kebenaran. Satu angka yang menghukum kotak palsu, kardus terlewat, dan ID yang tertukar sekaligus.

  Contoh: pelacak konveyor: FP 4, FN 16, satu pertukaran ID, MOTA 0,8865.

  Dipelajari di Modul 11 · Video dan pelacakan dasar

• ndi.correlatejuga: correlate, ndimage.correlate

  Fungsi scipy.ndimage (diimpor sebagai ndi) yang menggeser kernel di atas citra dan menjumlahkan hasil kali di setiap posisi, dengan keluaran seukuran masukan. mode memilih cara mengisi pinggir; bawaannya "reflect".

  Contoh: ndi.correlate(x, np.ones((3, 3)) / 9, mode="constant") merata-ratakan 3 × 3 dengan pinggir nol.

  Dipelajari di Modul 02 · Filter dan tepi

• ndi.distance_transform_edtjuga: distance_transform_edt

  Fungsi scipy untuk transformasi jarak Euclid: setiap piksel bukan nol diberi jaraknya ke piksel nol terdekat. Dengan return_indices=True, ia juga mengembalikan koordinat piksel nol terdekat itu.

  Contoh: ndi.distance_transform_edt(masker[0] > 0) memberi puncak 3,16 di telur 4.

  Dipelajari di Modul 03 · Ambang dan morfologi

• ndi.gaussian_filterjuga: gaussian_filter

  Fungsi scipy untuk filter Gaussian dengan simpangan sigma. Bila radius tidak diberikan, radiusnya int(4σ + 0,5), bukan ⌈3σ⌉ seperti kontrak netra, jadi sebutkan radius saat mencocokkan hasil.

  Contoh: ndi.gaussian_filter(x, 1.0, mode="reflect", radius=3).

  Dipelajari di Modul 02 · Filter dan tepi

• ndi.labeljuga: ndimage.label

  Fungsi scipy yang memberi nomor setiap komponen terhubung di masker biner. Mengembalikan dua nilai: larik label (0 = latar, 1..n = benda) dan banyak bendanya. Bawaannya memakai 4 tetangga.

  Contoh: label, n = ndi.label(biner, structure=np.ones((3, 3))) menghitung gumpalan dengan 8 tetangga.

  Dipelajari di Modul 09 · Segmentasi

• ndi.sobeljuga: ndimage.sobel, sobel

  Fungsi scipy untuk operator Sobel. axis=1 memberi gx (perubahan ke kanan), axis=0 memberi gy (ke bawah). Keluarannya ber-dtype sama dengan masukan, jadi ubah citra uint8 ke float64 dulu agar nilai negatif tidak rusak.

  Contoh: np.hypot(ndi.sobel(a, axis=1), ndi.sobel(a, axis=0)) memberi besar gradien.

  Dipelajari di Modul 02 · Filter dan tepi

• np.argsortjuga: argsort

  Mengembalikan indeks yang akan mengurutkan larik dari kecil ke besar. Untuk urutan menurun, urutkan nilai negatifnya; kind="stable" menjaga urutan asli bila ada nilai yang sama.

  Contoh: np.argsort(-skor, kind="stable") memberi urutan kotak dari skor tertinggi untuk NMS.

  Dipelajari di Modul 07 · Deteksi objek: kotak, IoU, NMS

• np.bincountjuga: bincount

  Menghitung berapa kali setiap bilangan bulat 0, 1, 2, … muncul dalam larik. Cepat untuk histogram nilai piksel; minlength memastikan panjang hasilnya, dan weights menjumlahkan bobot alih-alih menghitung.

  Contoh: np.bincount(abu.ravel() // 32, minlength=8) memberi histogram 8 bin selebar 32.

  Dipelajari di Modul 01 · Citra sebagai larik

• np.clipjuga: clip

  Menjepit setiap nilai ke rentang [bawah, atas]: nilai di bawah batas menjadi batas bawah, nilai di atas batas menjadi batas atas. Wajib sebelum hasil hitungan float diubah kembali ke uint8.

  Contoh: np.clip([-12.5, 130.0, 300.0], 0, 255) memberi 0, 130, dan 255.

  Dipelajari di Modul 01 · Citra sebagai larik

• np.fromfilejuga: fromfile

  Fungsi NumPy yang membaca berkas biner mentah menjadi larik satu dimensi dengan dtype yang kamu sebut. Berkas tidak menyimpan bentuknya, jadi bentuk dibaca dari meta.json lalu diterapkan dengan reshape.

  Contoh: np.fromfile("etalase/citra.bin", dtype=np.uint8) memberi 559.872 angka.

  Dipelajari di Modul 01 · Citra sebagai larik

• np.random.default_rngjuga: default_rng

  Membuat pembangkit bilangan acak NumPy dengan benih tertentu. Semua angka acak (augmentasi, sampel ulang, bobot acak) ditarik dari pembangkit ini, sehingga hasilnya bisa diulang.

  Contoh: rng = np.random.default_rng(0), lalu rng.uniform(-10, 10) untuk sudut putar.

  Dipelajari di C1 · Modul 01 · Peran data scientist dan siklus analisis

• OCRjuga: optical character recognition, pengenalan karakter

  Mengubah citra berisi tulisan menjadi teks yang bisa diolah. Pipeline klasik: pisahkan tinta dari kertas, luruskan, potong baris dan karakter, lalu kenali setiap karakter, misalnya dengan pencocokan templat.

  Contoh: pada 24 struk, hasil pipeline akhir hanya butuh 16 suntingan untuk menyamai 5.399 karakter rujukan (CER 0,0030).

  Dipelajari di Modul 10 · Pipeline OCR struk

• ONNXjuga: ONNX Runtime

  Format berkas model yang tidak terikat pada satu pustaka: model PyTorch atau scikit-learn diekspor sekali, lalu dijalankan di mana saja dengan ONNX Runtime. Keluarannya harus dicek sama dengan model asli lewat tes paritas.

  Contoh: di Lab, etalase.onnx dikuantisasi menjadi etalase_int8.onnx.

  Dipelajari di Modul 13 · Deploy ringan: ONNX dan kuantisasi

• openingjuga: closing

  Dua operasi morfologi berurutan. Opening = erosi lalu dilasi: membuang bintik dan tonjolan kecil, sedangkan bentuk besar kembali ke ukurannya. Closing = dilasi lalu erosi: menutup lubang dan takik kecil.

  Contoh: opening 3 × 3 pada kotak 5 × 5 bertonjolan mengembalikan kotak 5 × 5, tanpa tonjolan dan tanpa bintik.

  Dipelajari di Modul 03 · Ambang dan morfologi

• operator Sobeljuga: Sobel, filter Sobel

  Kernel 3 × 3 untuk mengukur perubahan terang: beda tetangga [−1, 0, 1] di satu sumbu sambil menghaluskan [1, 2, 1] di sumbu lain. Hasilnya gx (perubahan ke kanan) dan gy (perubahan ke bawah).

  Contoh: di tepi kiri persegi bernilai 100 pada latar 0, gx = (100 − 0) · (1 + 2 + 1) = 400.

  Dipelajari di Modul 02 · Filter dan tepi

• paritasjuga: tes paritas

  Pemeriksaan bahwa dua jalur yang seharusnya setara (praproses saat pelatihan dan saat inferensi, model float dan int8, atau sebelum dan sesudah ekspor) memberi keluaran yang sama pada masukan yang sama, dalam toleransi yang tertulis.

  Contoh: int8 menggeser logit paling banyak 0,087 dan 53 dari 54 prediksi sama; masukan BGR hanya menyamakan 7 dari 54.

  Dipelajari di Modul 13 · Deploy ringan: ONNX dan kuantisasi

• pemetaan balik

  Cara menerapkan transformasi geometris tanpa lubang: untuk setiap piksel keluaran, hitung titik asalnya dengan matriks kebalikan (M⁻¹), lalu baca citra asal di titik itu. Memetakan maju dari citra asal meninggalkan piksel keluaran yang tidak terisi.

  Contoh: memperbesar citra 4 × 4 menjadi 8 × 8 dengan pemetaan balik tidak menyisakan satu lubang pun.

  Dipelajari di Modul 04 · Transformasi geometris dan augmentasi

• pencocokan templatjuga: templat

  Mengenali potongan citra dengan membandingkannya dengan setiap contoh baku (templat) dan memilih yang paling mirip. Untuk citra biner, jaraknya adalah banyak piksel yang berbeda.

  Contoh: templat 0 dan O di fon struk hanya berbeda 3 piksel, sehingga satu atau dua piksel pudar bisa menukarnya.

  Dipelajari di Modul 10 · Pipeline OCR struk

• penekanan non-maksimumjuga: NMS, non-maximum suppression, NMS serakah

  Aturan "pertahankan yang terbesar, buang tetangganya yang lebih kecil". Di Canny, piksel tepi dipertahankan hanya bila besar gradiennya puncak melintang tepi. Di deteksi objek, kotak berskor tertinggi diambil, lalu kotak lain yang IoU-nya dengan kotak itu di atas ambang dibuang sebagai duplikat.

  Contoh: di citra rak 2, duplikat kopi (skor 0,601) dan mi (0,585) dibuang karena kembarannya berskor lebih tinggi.

  Dipelajari di Modul 02 · Filter dan tepi

• penugasan Hungariajuga: Hungaria, algoritma Hungaria

  Cara memasangkan dua daftar satu-satu dengan total biaya terkecil, misalnya kardus yang sedang dilacak dengan deteksi di bingkai baru, dengan biaya 1 − IoU. Cara serakah yang mengambil pasangan termurah lebih dulu bisa menyisakan kardus tanpa pasangan.

  Contoh: dua kardus yang sama-sama bergeser 4 piksel dipasangkan (0, 0) dan (1, 1) dengan total biaya 1,143.

  Dipelajari di Modul 11 · Video dan pelacakan dasar

• pertukaran IDjuga: IDSW, ID switch

  Kesalahan pelacak ketika sebuah benda sungguhan dipasangkan dengan ID pelacak yang berbeda dari pasangan terakhirnya, misalnya karena dua kardus bertumpuk lalu berpisah.

  Contoh: kardus 5 dan 6 bertemu di bingkai 36 dan lahir sebagai ID 7; kardus 6 kemudian dipasangkan dengan ID 7: satu pertukaran ID.

  Dipelajari di Modul 11 · Video dan pelacakan dasar

• presisijuga: precision

  Dari semua yang ditebak sebagai satu kelas (atau semua kotak yang ditandai detektor), berapa bagian yang benar: TP / (TP + FP). Untuk banyak kelas dihitung per kelas: angka diagonal dibagi jumlah kolomnya di matriks konfusi.

  Contoh: 5 foto ditebak kopi_sachet dan 4 di antaranya benar, jadi presisinya 0,80.

  Dipelajari di C2 · Modul 05 · Evaluasi klasifikasi dan keputusan

• recall

  Dari semua yang benar-benar termasuk satu kelas (atau semua kotak kebenaran), berapa bagian yang tertangkap: TP / (TP + FN). Per kelas: angka diagonal dibagi jumlah barisnya di matriks konfusi.

  Contoh: dari 9 foto kopi_sachet, 4 dikenali, jadi recall-nya 0,4444.

  Dipelajari di C2 · Modul 05 · Evaluasi klasifikasi dan keputusan

• reshape

  Metode NumPy yang mengubah bentuk larik tanpa mengubah urutan isinya. Satu ukuran boleh ditulis -1 agar dihitung otomatis.

  Contoh: 559.872 angka dari citra.bin menjadi (324, 24, 24, 3) dengan .reshape(meta["bentuk"]); x.reshape(-1, 3) memberi satu baris per piksel.

  Dipelajari di Modul 01 · Citra sebagai larik

• RLEjuga: run-length encoding

  Cara menyimpan masker dengan hemat: tulis panjang larian (deretan nilai sama yang berurutan) bergantian 0, 1, 0, … Gaya COCO membaca masker kolom demi kolom dan selalu dimulai dari larian 0.

  Contoh: masker [[1, 1, 0], [0, 1, 0], [0, 1, 1]] menjadi hitungan [0, 1, 2, 3, 2, 1].

  Dipelajari di Modul 09 · Segmentasi

• StandardScaler

  Pengubah scikit-learn yang menyeragamkan skala setiap fitur: dikurangi rata-rata lalu dibagi simpangan baku, keduanya dipelajari dari data latih saja.

  Contoh: make_pipeline(StandardScaler(), LogisticRegression(...)) menjalankan penyeragaman yang sama saat fit dan predict.

  Dipelajari di C2 · Modul 02 · Data, fitur, dan pemisahan yang jujur

• structure

  Argumen fungsi scipy.ndimage (misalnya label, binary_erosion, binary_opening) yang menentukan bentuk tetangga atau elemen struktur. np.ones((3, 3)) berarti kotak 3 × 3 (8 tetangga); tanpa argumen ini dipakai bentuk silang (4 tetangga).

  Dipelajari di Modul 09 · Segmentasi

• temperature scalingjuga: suhu

  Memperbaiki kalibrasi dengan membagi semua logit dengan satu angka T sebelum softmax. T > 1 meratakan peluang, T < 1 menajamkannya. Urutan logit tidak berubah, jadi prediksi dan akurasi tetap; T dipilih di data validasi.

  Contoh: T = 3,11 dari validasi menurunkan keyakinan rata-rata uji dari 0,9388 ke 0,6416.

  Dipelajari di Modul 06 · Evaluasi dan kalibrasi

• TPjuga: true positive

  Prediksi yang benar. Pada deteksi: kotak yang IoU-nya dengan sebuah kotak kebenaran berkelas sama memenuhi ambang, dan kebenaran itu belum dipasangkan dengan kotak berskor lebih tinggi.

  Contoh: mi instan berskor 0,848 dengan IoU 0,62 di citra rak 2 adalah TP.

  Dipelajari di Modul 08 · Mengukur detektor: AP dan mAP

• transfer learning

  Memakai model yang sudah dilatih di data besar untuk tugas baru: bagian awalnya (tulang punggung) dibekukan atau hanya dilatih sedikit, lalu kepala baru dilatih dengan data kita yang sedikit.

  Contoh: di Lab, ResNet-18 pralatih diberi kepala baru 6 kelas; tahap awalnya beku, tahap akhirnya dibuka satu per satu.

  Dipelajari di Modul 05 · Klasifikasi: dari fitur buatan tangan ke *transfer learning*

• transformasi jarakjuga: distance transform

  Mengganti setiap piksel objek dengan jaraknya ke piksel latar terdekat. Puncaknya ada di pusat benda dan kira-kira sama dengan jari-jari pendeknya, sehingga dua benda yang bersentuhan tetap punya dua puncak.

  Contoh: telur 4 di tray 0 punya jarak maksimum 3,16 piksel.

  Dipelajari di Modul 03 · Ambang dan morfologi

• uint8

  Tipe data bilangan bulat tanpa tanda 8 bit: hanya 0 sampai 255, satu byte per angka. Ini tipe baku piksel citra. Penjumlahan dan pengurangan uint8 meluap diam-diam, jadi hitung di float64, lalu jepit dan bulatkan saat menyimpan.

  Contoh: a + a dengan a = np.array([200, 100], dtype=np.uint8) memberi [144 200].

  Dipelajari di Modul 01 · Citra sebagai larik