README.md

---
license: mit
tags:
- object-detection
- image-classification
- waste-classification
- hierarchical-classification
- yolov12
- computer-vision
- pytorch
language:
- id
- en
pipeline_tag: image-classification
datasets:
- afinnn/waste-detection-dataset
---

# HSCN Waste Checkpoints - YOLOv12 + Hierarchical Sibling Classification Network (HSCN)

Repository ini berisi kumpulan **checkpoint model** untuk sistem deteksi dan klasifikasi sampah hierarkis dua tahap:

1. **YOLOv12** - mendeteksi objek sampah dalam gambar (bounding box).
2. **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`:

```python
from huggingface_hub import hf_hub_download

# Contoh: unduh checkpoint YOLOv12-Large
yolo_ckpt = hf_hub_download(
    repo_id="afinnn/hscn-waste-checkpoints",
    filename="waste_detection_results_yolol/<nama_file_checkpoint>"
)

# Contoh: unduh checkpoint HSCN ConvNeXt-Small
hscn_ckpt = hf_hub_download(
    repo_id="afinnn/hscn-waste-checkpoints",
    filename="waste_hscn_results_convnext_small/<nama_file_checkpoint>"
)
```

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.

```mermaid
flowchart TD
    A["Gambar Input"] --> B["Tahap 1: Deteksi Objek\nYOLOv12"]
    B --> C["Crop Objek Terdeteksi\n(per bounding box)"]
    C --> D["Tahap 2: Klasifikasi Hierarkis\nHSCN (ConvNeXt-Small)"]
    D --> E["L1: Waste Management"]
    D --> F["L2: Material"]
    D --> G["L3: Specific Object"]
    E --> H["Output Akhir:\nBounding Box + Label Hierarkis L1/L2/L3"]
    F --> H
    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.

```bibtex
@inproceedings{hscn-waste-2026,
  title={Two-Stage Waste Detection and Hierarchical Classification using YOLOv12 and HSCN},
  author={Afin},
  booktitle={SENTRIN},
  year={2026}
}
```

## 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](https://huggingface.co/afinnn).