Artikel Saintek Umum
Model Segmentasi Gambar, atau Image Segmentation Model
Sumber: https://github.com/qubvel/segmentation_models.pytorch
Beberapa arsitektur penting:
Berikut ini proses intalasi YoloX di Ubuntu 20.04.03
Tahap pertama adalah instalasi Ubuntu 20.04.03, sesuai petunjuk di https://ubuntu.com/download/desktop
Setelah itu lakukan proses update library di Ubuntu
apt update
apt upgradeInstall anaconda, petunjuknya dapat dilihat di https://docs.anaconda.com/anaconda/install/linux/
Buat environment khusus untuk yolox
conda create -n yolox python=3.7.6
conda activate yoloxProses berikutnya mengacu ke prosedur instalasi di https://github.com/Megvii-BaseDetection/YOLOX
Clone YOLOX
git clone https://github.com/Megvii-BaseDetection/YOLOXInstall pytorch, prosedur diadaptasi dari https://pytorch.org/get-started/locally/
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorchInstalasi YoloX dan Pycoco
pip3 install -U pip
pip3 install -r requirements.txt
pip3 install -v -e .
pip3 install cython
pip3 install 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'Proses instalasi selesai, selanjutnya ujicoba dengan gambar demo. Untuk itu download dulu bobot untuk COCO dataset.
wget https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pthLakukan proses inferensi dengan bobot YoloX-S
python tools/demo.py image -f exps/default/yolox_s.py -c yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device cpuCara lain:
python tools/demo.py image -n yolox-x -c yolox_x.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device cpuSumber dokumen: “Cetak Biru Transformasi Digital Kesehatan 2024” di situs dto.kemkes.go.id
Tim Penyusun:
Digital Transformation Office (DTO), Kementerian Kesehatan:
Pusat Data dan Informasi (PUSDATIN), Kementerian Kesehatan:
Didukung Oleh:
Mitra Kerja:
Ringkasan Eksekutif
Salah satu permasalahan kesehatan di Indonesia saat ini adalah data kesehatan yang terfragmentasi karena banyaknya aplikasi dan keterbatasan regulasi dalam standardisasi dan pertukaran data. Berdasarkan hasil pemetaan saat ini, terdapat lebih dari 400 aplikasi kesehatan yang dikembangkan oleh pemerintah pusat dan daerah. Kondisi ini menjadikan kebijakan kesehatan belum sepenuhnya berlandaskan pada data yang menyeluruh serta pelayanan kesehatan yang kurang efisien.
Pandemi COVID-19 dan perkembangan teknologi mendorong Kemenkes RI untuk segera melakukan transformasi digital kesehatan sebagai lompatan menuju sektor kesehatan Indonesia yang semakin maju dan berkeadilan. Kemenkes RI memiliki visi untuk melakukan digitalisasi di sektor kesehatan sejak awal kehidupan di dalam kandungan hingga pelayanan kesehatan terpadu bagi pasien lansia. Visi tersebut tertuang di dalam Peraturan Menteri Kesehatan Republik Indonesia (Permenkes RI) No. 21 Tahun 2020 yang telah mensyaratkan adanya upaya perubahan tata kelola pembangunan kesehatan yang meliputi integrasi sistem informasi, penelitian, dan pengembangan kesehatan. Transformasi digital kesehatan Indonesia ditargetkan mampu menghasilkan sumber daya manusia (SDM) yang berkapasitas dalam menganalisa data kesehatan. Hal tersebut bertujuan untuk menyusun kebijakan berbasis data di setiap instansi kesehatan.
Berkenaan dengan hal di atas, Kemenkes RI merumuskan Cetak Biru Strategi Transformasi Digital Kesehatan 2024 yang berlandaskan semangat mewujudkan Indonesia Sehat secara kolaboratif bersama seluruh ekosistem pelaku industri kesehatan dalam suatu Platform Indonesia Health Services (IHS). Platform IHS merupakan sebuah platform ekosistem digital kesehatan yang menyediakan konektivitas data, analisis, dan layanan untuk mendukung dan mengintegrasikan berbagai aplikasi kesehatan di Indonesia. Platform IHS dibangun berdasarkan enam prinsip utama.
Referensi
Proses komputasi deep learning dapat dipercepat dengan menggunakan beberapa GPU.
Berikut ini studi motherboard AMD yang mendukung 3 GPU PCIe
Daftar motherboard untuk 3 GPU dapat dicari dari situs PC Part Picker:
https://pcpartpicker.com/products/motherboard/#s=33&L=4&h=3,8&sort=price&c=145,138
Ada 2 chipset yang umum: B550 dan X570. B550 hanya punya sedikit PCI lines, sehingga X570 lebih menarik.
Berikut ini beberapa kandidat berbasis XZ570:
Gigabyte X570 UD https://www.gigabyte.com/Motherboard/X570-UD-rev-10#kf (harga Rp 2,8+ juta)
– 1 x PCI Express x16 slot, supporting PCIe 4.0 and running at x16
– 2 x PCI Express x16 slots, supporting PCIe 4.0 (Note 2)/3.0 and running at x4 (PCIEX4)
ASRock X570S PG Riptide https://www.asrock.com/mb/AMD/X570S%20PG%20Riptide/index.asp (harga Rp 3+ juta)
– 1 x PCI Express 4.0 x16 Slot (x16 (PCIE1))*
– 2 x PCI Express 4.0 x16 Slots (x4 (PCIE4) / x2 (PCIE6))
Gigabyte X570 AORUS PRO https://www.gigabyte.com/Motherboard/X570-AORUS-PRO-rev-10#kf (harga Rp 4,5 juta)
1 x PCI Express x16 slot, supporting PCIe 4.0 and running at x16 (PCIEX16)
1 x PCI Express x16 slot, supporting PCIe 4.0 and running at x8 (PCIEX8)
1 x PCI Express x16 slot, supporting PCIe 4.0/3.0 and running at x4 (PCIEX4)
Berikut ini tips singkat untuk tuning MySQL 5.7
nnodb_file_per_table=ON
innodb_stats_on_metadata = OFF
innodb_buffer_pool_instances = 8 (or 1 if innodb_buffer_pool_size < 1GB)
query_cache_type = 0; query_cache_size = 0; (disabling mutex)Sumber: https://www.percona.com/blog/2016/10/12/mysql-5-7-performance-tuning-immediately-after-installation/
Filesystem EXT4 di Linux dapat mempunyai fasilitas journaling.
Pada filesystem EXT4 yang baru dikonversi dari EXT2, biasanya journaling ini belum ada.
Untuk menambahkan journal tersebut, dapat menggunakan perintah tune2fs sebagai berikut. Misal filesystem yang akan diubah adalah /dev/sdb1.
sudo tune2fs -O has_journal /dev/sdb1Prosesor Ryzen 5950x memiliki kemampuan tinggi, namun juga memerlukan arus yang cukup besar. Untuk itu perlu motherboard dan power supply yang mendukung. Berikut ini survey motherboard yang mendukung 5950x.
Kriteria motherboard yang mendukung adalah Tier S, Tier S- dan Tier A. Motherboard dengan tier di bawahnya memiliki VRM (Voltage Regulator Module) yang tidak begitu kuat, sehingga nantinya prosesor 5950x akan terpaksa dikurangi kecepatannya secara otomatis.
Sejauh ini motherboard termurah yang cukup kuat dipasangi Ryzen 5950x adalah MSI: B550 A-Pro dengan harga antara Rp 2 juta ~ Rp 2,5 juta.
300A current draw on little ambient airflow (i.e below a big air cooler in a well-ventilated case), maxed out 5950X and 3950X on liquid nitrogen (LN2) overclocking
250A current draw on little ambient airflow, maxed out 5900X and 3900X on liquid nitrogen (LN2) overclocking
200A current draw on little ambient airflow, maxed out 5950X and 3950X on ambient cooling, 2700x on LN2
160A current draw on little ambient airflow, maxed out 5900X and 3900X, 3950x at 1.2V on ambient cooling, maxed out 1800X on LN2
125A current draw on little ambient airflow, maxed out 2700, 3900x and 5900X at 1.2V on ambient cooling (P95)
100A current draw on little ambient airflow, maxed out 1700, 3700X and 5800X, a tad more than maxed out 2600/1600AF, 105W TDP CPUs at stock with downdraft air cooler
75A current draw on little ambient airflow, maxed out 1600, 3600 and 5600X, a bit more than maxed out 2500X, 95W TDP CPUs at stock with downdraft air cooler
50A current draw on little ambient airflow, maxed out 1200/2200G (CPU only)/3100/3300X or 65W TDP CPUs at stock with downdraft air cooler
Liquid cooled only VRM, quite bad if cooled only with air, tier S if liquid cooled
Workstation features, can appear here and above tiers
Berikut ini benchmark lain dari Harware Unboxed (https://i.imgur.com/LF3hFNN.jpg). Benchmark ini menguji prosesor Ryzen 3950X yang merupakan generasi sebelumnya dari 5950X
![AMD Ryzen 9 3950X @4,3 GHz, 3.375v [200 watt]](https://iptek.web.id/wp-content/uploads/2021/12/LF3hFNN.jpg)
Sumber: “All Boards Tested B550 Roundup part 3“
DeepMind introduces a 280B parameter language model named Gopher. Investigates its effectiveness in reading comprehension & other complex tasks such as logical reasoning. Ethics & risks are also discussed.
Links:
Article: https://deepmind.com/blog/article/language-modelling-at-scale
Paper: “Scaling Language Models: Methods, Analysis & Insights from Training Gopher“
Here is a list of image annotation tools. In my opinon, the best so far for bounding box id MakeSense.AI
Apa sih fitness function di Yolov5?
Jawab:
Fitness di Yolov5 adalah kombinasi dari Precision, Recall mAP@0.5 dan mAP@0.5:0.95
Fungsi fitness() ada di file yolov5/utils/metrics.py
Sumber: https://github.com/ultralytics/yolov5/issues/607
