Klasifikasi Rambu Lalu Lintas menggunakan CNN

Kelompok 1 :

• Zul akhyar (2008107010080)
• Muhammad Akbarul Ihsan (2108107010044)
• Muhammad Kemal Fasya (2108107010052)
• Rania Safia Khuzai (2008107010051)
• Teuku Tamam Al-Fatah (2008107010071)

Dataset

Dataset yang digunakan merupakan dataset siap pakai yang telah diproses sebelumnya untuk Rambu Lalu Lintas yang disimpan kedalam file .pickle sebagai berikut :

• train. pickle
• valid.pickle
• test. pickle

Untuk pejelasan lebih lengkap tentang Dataset cek : Dataset

Setup

Note: Python,Anaconda atau Miniconda sudah terinstall

Clone Repositori ini ke Lokal :

git clone https://github.com/zlkhyr/Kelompok_1-Project-Lab-ML.git

Masuk ke Direktori Project :

cd Project-Lab-ML

Python Environment

Setelah masuk ke direktori yang telah di clone sebelumnya, Buat Python Environment :

python -m venv nama_venv

Aktifkan Environment yang baru saja dibuat:

#Windows
nama_venv\scripts\activat

#macOS dan Linux
source nama_env/bin/activate

Install requirements.txt untuk menginstal library yang diperlukan untuk project:

pip install -r requirements.txt

Buka VsCode, gunakan perintah berikut:

code .

Setelah membuka VsCode pastikan memilih Environment atau kernel yang telah diinstall sebelumnya, Pilihan ada di pojok kanan atas VsCode. Jalankan sel-sel di notebook untuk menjalankan proyek machine learning.

Conda Environment

Setelah masuk ke direktori yang telah di clone sebelumnya, Buat Python Environment :

conda create --name nama_venv

Aktifkan Environment yang baru saja dibuat:

conda activate nama_venv

Install requirements.txt untuk menginstal library yang diperlukan untuk project:

#Dengan Conda
conda install --yes --file requirements.txt

#Dengan Pip
pip install -r requirements.txt

Jalankan Jupyter Notebook:

jupyter notebook

Buka file proyek_machine_learning.ipynb di antarmuka Jupyter Notebook, Jalankan sel-sel di notebook untuk menjalankan proyek machine learning.

Deployment

Jalankan FastAPI dengan perintah berikut:

uvicorn main2:app --reload

Buka halaman html dan upload gambar untuk di prediksi