Create README.md

README.md

@@ -0,0 +1,143 @@
+---
+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).