README.md

metadata

title: Vehicle Detection Tracking Counting
emoji: 🚗
colorFrom: blue
colorTo: purple
sdk: streamlit
sdk_version: 1.28.0
app_file: app.py
pinned: false

Vehicle Detection, Tracking & Counting

Proyek portofolio AI Engineer untuk deteksi, tracking, dan penghitungan kendaraan secara otomatis dari video menggunakan RT-DETR sebagai model deteksi dan ByteTrack sebagai multi-object tracker.

Fitur

• Object Detection: Deteksi kendaraan menggunakan RT-DETR yang sudah di-fine-tune pada dataset UA-DETRAC
• Object Tracking: Multi-object tracking dengan ByteTrack, setiap kendaraan mendapat ID unik
• Vehicle Counting: Dua metode counting tersedia:
  • Virtual Line Counting: hitung kendaraan yang melewati garis virtual
  • Polygon Region Counting: hitung kendaraan yang masuk area tertentu
• Dashboard: Statistik real-time, FPS, progress bar
• Export: Download video hasil dan CSV hasil counting

Tech Stack

Komponen	Teknologi
Object Detection	RT-DETR (Ultralytics)
Object Tracking	ByteTrack (custom implementation)
Video Processing	OpenCV
Web App	Streamlit
Deep Learning	PyTorch
Deployment	Hugging Face Spaces

Struktur Proyek

vehicle-counting-rtdetr/
├── notebooks/
│   └── kaggle_training.ipynb    # Notebook training di Kaggle
├── core/
│   ├── detector.py              # RT-DETR inference wrapper
│   ├── tracker.py               # ByteTrack implementation
│   ├── counter.py               # Virtual line & polygon counting
│   └── exporter.py              # CSV export utilities
├── ui/
│   └── sidebar.py               # Streamlit sidebar components
├── models/
│   └── best.pt                  # Model hasil fine-tuning (dari Kaggle)
├── outputs/                     # Folder output video & CSV
├── app.py                       # Main Streamlit application
├── utils.py                     # Drawing & helper functions
├── requirements.txt
├── packages.txt
└── README.md

Setup

Training (Kaggle)

1. Upload notebook notebooks/kaggle_training.ipynb ke Kaggle
2. Aktifkan GPU (P100 atau T4)
3. Jalankan semua cell
4. Download file best.pt dari output Kaggle
5. Letakkan best.pt di folder models/

Local Development

# install dependencies
pip install -r requirements.txt

# jalankan app
streamlit run app.py

Deploy ke Hugging Face Spaces

1. Buat repository baru di Hugging Face Spaces (pilih Streamlit SDK)
2. Upload semua file dari repository ini
3. Pastikan best.pt ada di folder models/
4. Spaces akan otomatis build dan deploy

Cara Pakai

1. Buka aplikasi
2. Upload video (.mp4 / .avi) di sidebar
3. Atur confidence threshold
4. Pilih metode counting (Virtual Line atau Polygon Region)
5. Klik "Mulai Proses"
6. Tunggu sampai selesai
7. Download hasil video dan CSV

Model Performance

Hasil evaluasi model RT-DETR setelah fine-tuning pada dataset kendaraan:

Metric	Nilai
mAP50	-
mAP50-95	-
Precision	-
Recall	-
F1-Score	-

Tabel ini akan diupdate setelah training selesai di Kaggle.

Dataset

UA-DETRAC Dataset 10K dari Roboflow Universe:

• Link: https://universe.roboflow.com/rjacaac1/ua-detrac-dataset-10k
• Format: YOLOv8 (kompatibel dengan RT-DETR Ultralytics)
• Nama kelas dibaca otomatis dari data.yaml dataset

Referensi

• RT-DETR Paper - DETRs Beat YOLOs on Real-time Object Detection
• ByteTrack Paper - Multi-Object Tracking by Associating Every Detection Box
• Ultralytics - YOLO & RT-DETR Framework
• Roboflow - Dataset Management

License

MIT License