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:

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.

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.

@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.

Downloads last month: -; Downloads are not tracked for this model. How to track

afinnn
/

hscn-waste-checkpoints