Analisis Komparatif YOLOv8 dan YOLO11 sebagai Ekstraktor Pose Real-Time pada Lingkungan dengan Sumber Daya Terbatas

Penelitian ini menyajikan analisis komparatif algoritma YOLOv8 dan YOLO11 untuk estimasi pose manusia secara real-time pada lingkungan dengan sumber daya terbatas, yaitu Google Colaboratory Free Tier yang dilengkapi GPU NVIDIA Tesla T4. Tujuan: Tujuan utama penelitian ini adalah mengevaluasi trade-off antara kompleksitas struktural model dan kecepatan inferensi pada delapan varian model (skala Nano, Small, Medium, dan Extra Large) dari kedua generasi arsitektur, yang dievaluasi berdasarkan kecepatan inferensi dan akurasi keypoint menggunakan dataset COCO Val2017. Metode: Penelitian ini menggunakan pendekatan eksperimental kuantitatif. Seluruh eksperimen dilakukan pada Google Colaboratory Free Tier (GPU NVIDIA Tesla T4) menggunakan delapan model YOLO pose pre-trained. Kecepatan inferensi diukur dalam FPS dengan tahap pemanasan (warm-up) GPU, dan akurasi keypoint dievaluasi menggunakan metrik OKS/mAP pada 500 citra dari COCO Val2017. Hasil: YOLO11 secara konsisten menghasilkan jumlah parameter yang lebih efisien dibandingkan YOLOv8 pada skala yang setara. Di antara model yang memenuhi syarat real-time, YOLOv8n mencapai kecepatan absolut tertinggi (64,9 FPS), sedangkan YOLO11m mencapai stabilitas inferensi tertinggi (std: 5,6 FPS). Varian Extra Large mencapai [email protected]:0.95 tertinggi (YOLO11x: 66,9%; YOLOv8x: 66,3%), sedangkan varian Medium menunjukkan akurasi yang setara dengan YOLO11m dengan 21% lebih sedikit parameter. Kesimpulan: YOLO11m-pose merupakan ekstraktor pose paling optimal untuk sistem real-time, menawarkan stabilitas inferensi yang unggul, akurasi yang kompetitif, dan efisiensi arsitektur yang lebih besar pada perangkat keras GPU kelas menengah.