⚽ YOLOv11-LCA: Soccer Ball and Player Detection with Lightweight Attention

📌 Deskripsi

Proyek ini mengimplementasikan YOLOv11-LCA, yaitu pengembangan dari arsitektur YOLOv11 dengan integrasi Low-Complexity Attention Module (LCAM) untuk meningkatkan deteksi objek kecil, khususnya bola sepak dalam video siaran pertandingan. 🎯

Penelitian ini menunjukkan bahwa YOLOv11-LCA berhasil meningkatkan akurasi deteksi bola secara signifikan dibandingkan YOLOv11 original, dengan tetap mempertahankan efisiensi komputasi untuk keperluan real-time. Selain itu, proyek ini membandingkan performa berbagai skala model (nano, small, medium) dalam mendeteksi objek seperti pemain, wasit, penjaga gawang, dan bola. ⚽📊

📂 Dataset

Dataset yang digunakan dalam penelitian ini adalah: - 🔗 SoccerNet Tracking Dataset
Sumber: https://www.soccer-net.org/ - Subset: Match ID 4 - Frame rate: 25 fps - Resolusi: 1920×1080 - Pembagian: 70% train, 10% validasi, 20% test

🎯 Target Publikasi

📚 Artikel ini ditujukan untuk publikasi pada jurnal ilmiah berikut: 🔗 Lontar Komputer – Universitas Udayana
https://ojs.unud.ac.id/index.php/lontar

📁 Draft Jurnal

📄 Draf penulisan artikel ilmiah dapat dilihat di direktori:
Draft_Journal/

🧠 Arsitektur Model

Model ini menggunakan backbone dari YOLOv11 dengan integrasi LCAM dan LD-SAM pada bagian feature fusion (neck). Perubahan dilakukan pada blok C3k2 menjadi C3k2LCAM untuk meningkatkan sensitivitas terhadap fitur spasial objek kecil.

🔧 Konfigurasi Pelatihan

| Parameter | Nilai | |------------------|--------------| | Epoch | 50 | | Input Size | 640x640 | | Batch Size | 16 | | Optimizer | Adam | | Learning Rate | 0.01 | | Momentum | 0.937 | | GPU | RTX 3080 | | Framework | Ultralytics YOLOv11 v2.3.96 |

📊 Hasil Evaluasi

📌 Performa Deteksi Bola

| Model | Precision | Recall | mAP@50 | mAP@50-95 | |------------------|-----------|--------|--------|-----------| | YOLOv11n | 0.585 | 0.070 | 0.101 | 0.030 | | YOLOv11n-LCA | 0.590 | 0.139 | 0.174 | 0.0577 | | YOLOv11s | 0.486 | 0.094 | 0.107 | 0.0337 | | YOLOv11s-LCA | 0.613 | 0.151 | 0.205 | 0.0638 | | YOLOv11m | 0.558 | 0.137 | 0.156 | 0.0486 | | YOLOv11m-LCA | 0.577 | 0.169 | 0.220 | 0.0773 |

YOLOv11m-LCA menunjukkan hasil terbaik untuk deteksi bola di semua metrik kecuali precision, yang tertinggi pada YOLOv11s-LCA.s Source Model: https://drive.google.com/file/d/1uEbZsa9fk3FMpStNRsM330UjaFWGwzDU/view?usp=sharing

🧠 Kesimpulan

YOLOv11-LCA memberikan peningkatan akurasi deteksi signifikan terutama untuk objek kecil seperti bola, tanpa mengorbankan efisiensi.
Dengan integrasi LCAM, model menjadi lebih sensitif terhadap fitur spasial kecil dan cocok digunakan untuk real-time soccer analytics seperti pelacakan bola, highlight otomatis, dan analisis taktik.

Model terbaik: YOLOv11m-LCA dengan input 640x640 untuk trade-off terbaik antara akurasi dan kecepatan deteksi.

👨‍💻 Authors

• Muhammad Abiya Makruf
  🔗 LinkedIn | GitHub

• Muhammad Rafly Arjasubrata
  🔗 LinkedIn | GitHub

🎯 Proyek ini bertujuan untuk meningkatkan akurasi deteksi bola sepak dalam pertandingan profesional!