HSCN Waste Checkpoints - YOLOv12 + Hierarchical Sibling Classification Network (HSCN)
Repository ini berisi kumpulan checkpoint model untuk sistem deteksi dan klasifikasi sampah hierarkis dua tahap:
- YOLOv12 - mendeteksi objek sampah dalam gambar (bounding box).
- HSCN (Hierarchical Sibling Classification Network) - mengklasifikasikan setiap objek hasil crop deteksi ke dalam 3 level hierarki:
- L1 - Waste Management: kategori penanganan sampah (mis. daur ulang, organik, residu)
- L2 - Material: jenis material (mis. plastik, kertas, logam, kaca)
- L3 - Specific Object: kelas objek spesifik (mis. botol plastik, kaleng, kardus)
Model ini dikembangkan sebagai bagian dari penelitian tugas akhir/skripsi mengenai klasifikasi sampah berbasis computer vision, dan telah melalui proses sidang serta submission paper konferensi (SENTRIN).
Struktur Repository
| Folder | Isi |
|---|
waste_detection_results | Checkpoint & hasil training YOLOv12 (varian utama/default) |
waste_detection_results_yolol | Checkpoint YOLOv12-Large |
waste_detection_results_yolom | Checkpoint YOLOv12-Medium |
waste_detection_results_yolos | Checkpoint YOLOv12-Small |
waste_hscn_results_convnext_small | Checkpoint HSCN dengan backbone ConvNeXt-Small (backbone terbaik) |
waste_hscn_results_efficientnet_b3 | Checkpoint HSCN dengan backbone EfficientNet-B3 |
waste_hscn_results_mobilenet_v3_large | Checkpoint HSCN dengan backbone MobileNetV3-Large |
waste_hscn_results_resnet18 | Checkpoint HSCN dengan backbone ResNet-18 |
waste_hscn_results_resnet50 | Checkpoint HSCN dengan backbone ResNet-50 |
waste_hscn_results_resnet101 | Checkpoint HSCN dengan backbone ResNet-101 |
Dataset
- 6.357 objek crop (hasil deteksi) digunakan untuk training klasifikasi HSCN
- 2.085 gambar sebelum augmentasi digunakan untuk training deteksi YOLOv12
- Sumber dataset gabungan dari 4 dataset publik: TrashNet, TACO, RealWaste, dan Kaggle (waste classification dataset)
Hasil Evaluasi
Deteksi Objek - YOLOv12
Model terbaik: YOLOv12-Large
| Metrik | Skor |
|---|
| F1-Score | 0.844 |
| mAP@0.5:0.95 | 0.7636 |
Klasifikasi Hierarkis - HSCN
6 backbone dievaluasi untuk mencari kombinasi terbaik. ConvNeXt-Small terpilih sebagai backbone terbaik:
| Backbone | mAP (mean, L1+L2+L3) | Akurasi L3 (kelas spesifik) |
|---|
| ConvNeXt-Small ⭐ | 0.967 | 0.5802 |
| ResNet-18 | – | – |
| ResNet-50 | – | – |
| ResNet-101 | – | – |
| EfficientNet-B3 | – | – |
| MobileNetV3-Large | – | – |
Catatan: L3 (klasifikasi objek spesifik) merupakan level tersulit karena jumlah kelas yang lebih banyak dan granularitas visual yang tinggi antar sub-kategori material yang mirip.
Cara Penggunaan
Checkpoint di repository ini dalam format native (PyTorch .pt/state_dict sesuai arsitektur asli - bukan format transformers), sehingga perlu dimuat menggunakan kode arsitektur model asli (YOLOv12 & HSCN), bukan lewat AutoModel dari library transformers.
Contoh unduh checkpoint dengan huggingface_hub:
1from huggingface_hub import hf_hub_download
2
3# Contoh: unduh checkpoint YOLOv12-Large
4yolo_ckpt = hf_hub_download(
5 repo_id="afinnn/hscn-waste-checkpoints",
6 filename="waste_detection_results_yolol/<nama_file_checkpoint>"
7)
8
9# Contoh: unduh checkpoint HSCN ConvNeXt-Small
10hscn_ckpt = hf_hub_download(
11 repo_id="afinnn/hscn-waste-checkpoints",
12 filename="waste_hscn_results_convnext_small/<nama_file_checkpoint>"
13)
Lalu muat checkpoint sesuai kelas model masing-masing (YOLOv12 loader / HSCN nn.Module custom) pada kode training/inference.
Arsitektur Pipeline
Sistem bekerja dalam dua tahap yang berurutan: deteksi objek diikuti klasifikasi hierarkis pada tiap objek yang terdeteksi.
1flowchart TD
2 A["Gambar Input"] --> B["Tahap 1: Deteksi Objek\nYOLOv12"]
3 B --> C["Crop Objek Terdeteksi\n(per bounding box)"]
4 C --> D["Tahap 2: Klasifikasi Hierarkis\nHSCN (ConvNeXt-Small)"]
5 D --> E["L1: Waste Management"]
6 D --> F["L2: Material"]
7 D --> G["L3: Specific Object"]
8 E --> H["Output Akhir:\nBounding Box + Label Hierarkis L1/L2/L3"]
9 F --> H
10 G --> H
| Tahap | Komponen | Input | Output |
|---|
| 1. Deteksi | YOLOv12 | Gambar mentah | Bounding box objek sampah |
| 2. Cropping | - | Bounding box | Citra hasil crop per objek |
| 3. Klasifikasi | HSCN (backbone ConvNeXt-Small) | Citra hasil crop | Label hierarkis L1, L2, L3 |
| 4. Output | - | Bounding box + label | Deteksi lengkap dengan klasifikasi 3 level |
Sitasi
Jika menggunakan model ini, mohon sitasi paper terkait (SENTRIN) - detail sitasi akan diperbarui setelah publikasi resmi.
1@inproceedings{hscn-waste-2026,
2 title={Two-Stage Waste Detection and Hierarchical Classification using YOLOv12 and HSCN},
3 author={Afin},
4 booktitle={SENTRIN},
5 year={2026}
6}
Lisensi
MIT License - bebas digunakan untuk riset dan pengembangan lebih lanjut, dengan tetap mencantumkan atribusi.
Kontak
Untuk pertanyaan lebih lanjut mengenai model atau kolaborasi, silakan hubungi melalui profil Hugging Face
@afinnn.
