🥬 Real-Time Spinach Detector

Pelajaran Mahal dari Membangun YOLO untuk Deteksi Realtime di Web

Project Spinach Detector ini awalnya terlihat sederhana:
👉 “Deteksi apakah gambar atau kamera berisi bayam atau bukan.”

Namun dalam praktiknya, project ini berubah menjadi pelajaran nyata tentang batasan resource, deployment ML, dan realitas object detection realtime di web.

Repo ini tidak berakhir dengan deployment cloud yang sempurna,
tapi justru berakhir dengan pemahaman yang jauh lebih matang.

🎯 Tujuan Awal Project

Tujuan utama project ini sebenarnya bukan production:

• demonstrasi object detection berbasis YOLO

• realtime detection via kamera (web)

• keperluan demo dan presentasi di kampus

• eksplorasi YOLOv9 dan YOLOv11

Secara fungsional:

• backend: Flask + YOLO

• frontend: Web camera + canvas overlay

• model: YOLOv9 & YOLOv11 (custom dataset bayam)

🧱 Masalah Pertama: Docker Image Terlalu Besar

Saat mencoba membungkus aplikasi ke dalam Docker, masalah pertama langsung muncul.

❌ Docker Image = ±4GB

Penyebab utamanya:

• model .pt YOLO

• PyTorch + CUDA dependency

• OpenCV, numpy, pillow

• dependency ML yang sangat berat

Dampaknya:

• docker pull lama sekali

• tidak realistis untuk server kecil

• deployment jadi tidak efisien

Untuk aplikasi web biasa, ini mungkin masih bisa ditoleransi.
Tapi untuk ML inference realtime, ini sudah red flag.

🖥️ Masalah Kedua: Server Kecil Tidak Kuat Menangani Realtime Detection

Server yang digunakan:

• CPU kecil

• RAM terbatas

• tanpa GPU

Ketika aplikasi mulai dijalankan dan:

• kamera aktif

• inference YOLO berjalan terus-menerus

• request datang tiap beberapa ratus milidetik

➡️ Server langsung overload
➡️ CPU spike
➡️ RAM penuh
➡️ proses mati
➡️ server harus reboot berulang kali

Pada titik ini, jelas bahwa:

Realtime object detection + server kecil = kombinasi yang buruk

🔄 Eksperimen: Migrasi dari .pt ke ONNX

Untuk mengurangi beban server, dicoba pendekatan lain:

🎯 Ide:

• konversi YOLO .pt → .onnx

• harapan: runtime lebih ringan

• dependency lebih sedikit

• Docker image lebih kecil

❌ Realita:

• hasil deteksi aneh

• bounding box tidak akurat

• multiple detection untuk satu objek

• koordinat kacau

• perbedaan besar antara PyTorch vs ONNX output

Masalah utama:

• ONNX tidak auto-NMS

• format output YOLO ONNX berbeda

• preprocessing & postprocessing harus ditulis manual

• satu kesalahan kecil → hasil langsung rusak

Alih-alih menyederhanakan, ONNX justru:

menambah kompleksitas dan risiko bug

🔙 Kembali ke Awal: Tetap Pakai .pt, Jalan Lokal

Setelah beberapa iterasi dan eksperimen, keputusan akhirnya diambil:

• ❌ tidak pakai Docker

• ❌ tidak deploy ke server

• ❌ tidak realtime via cloud

• ✅ pakai YOLO .pt

• ✅ jalan secara lokal

• ✅ cukup untuk demo dan pembelajaran

Dan untuk konteks project ini,
keputusan itu adalah keputusan yang paling masuk akal.

🧠 Pelajaran Penting dari Project Ini

1️⃣ Realtime Object Detection Itu Mahal

Deteksi realtime via kamera:

• bukan cuma soal model

• tapi soal:

  • CPU

  • RAM

  • IO

  • concurrency

  • frame rate

  • request frequency

Ini bukan workload ringan.

2️⃣ ML di Server ≠ ML di Device

Perbedaan besar:

• server inference realtime → resource heavy

• model di device (mobile / edge) → jauh lebih efisien

Makanya:

• aplikasi kamera di HP terasa ringan

• tapi server inference cepat overload

Karena:

model ditanam langsung di device, bukan dipanggil via HTTP terus-menerus

3️⃣ ONNX Bukan Obat Mujarab

ONNX itu powerful, tapi:

• tidak plug-and-play

• butuh pemahaman format output

• NMS harus manual

• preprocessing harus presisi

Tanpa itu:

hasil bisa “jalan”, tapi secara logika salah

4️⃣ Web + Realtime AI = Banyak Layer Mahal

Realtime AI di web bukan cuma soal backend:

• kamera di browser

• canvas rendering

• request loop

• latency

• bandwidth

• resource server

Semua itu numpuk biayanya.

🧾 Kesimpulan

Project Spinach Detector ini mungkin tidak berakhir dengan deployment cloud yang stabil,
tapi justru menghasilkan sesuatu yang lebih berharga:

pemahaman realistis tentang batasan object detection realtime di web.

Tidak semua project harus:

• scalable

• cloud-ready

• production-grade

Kadang:

• cukup jalan lokal

• cukup untuk demo

• cukup untuk belajar

Dan knowing kapan harus berhenti optimasi
adalah bagian penting dari menjadi engineer yang matang.

🔗 Resource & Link

• GitHub Repo
  https://github.com/daffa09/spinach-detector

• Google Colab — YOLOv9 Training
  https://colab.research.google.com/drive/1F43i2TkWXIefNw2KuiO1pMnAmc4pKmuZ?usp=sharing

• Google Colab — YOLOv11 Training
  https://colab.research.google.com/drive/1ahSpgDHbQJqJuPKEcyajPbtrDvT1P-3I?usp=sharing

🧠 Penutup

Project ini bukan tentang “deteksi bayam”.
Project ini tentang belajar batasan sistem nyata.

Dan itu pelajaran yang jauh lebih mahal daripada sekadar model yang akurat.