مجموعة بيانات معدات ومعدات البناء
صُممت مجموعة بيانات معدات الحماية الشخصية في مجال الإنشاءات لتحسين الامتثال لمعايير السلامة في مواقع الإنشاءات من خلال تمكين الكشف عن معدات الحماية الأساسية مثل الخوذات والسترات الواقية والقفازات والأحذية والنظارات الواقية، إلى جانب التعليقات التوضيحية للمعدات المفقودة. تم تنسيقها من بيئات بناء حقيقية، وتتضمن حالات متوافقة وغير متوافقة على حد سواء، مما يجعلها مورداً قيماً لتدريب نماذج الذكاء الاصطناعي التي تراقب السلامة في مكان العمل.
هيكل مجموعة البيانات
تنقسم مجموعة بيانات معدات الحماية الشخصية للبناء إلى ثلاث مجموعات فرعية رئيسية:
- مجموعة التدريب: المجموعة الأساسية من صور الإنشاءات المشروحة التي تضم عمالاً يستخدمون معدات الوقاية الشخصية الكاملة والجزئية.
- مجموعة التحقق من الصحة: مجموعة فرعية محددة تُستخدم لضبط أداء النموذج وتقييمه أثناء الكشف عن معدات الحماية الشخصية ومراقبة الامتثال.
- مجموعة الاختبار: مجموعة فرعية مستقلة مخصصة لتقييم فعالية النموذج النهائي في الكشف عن معدات الوقاية الشخصية وتحديد مشكلات الامتثال.
يتم وضع تعليقات توضيحية لكل صورة في Ultralytics YOLO لضمان التوافق مع أحدث خطوط أنابيب اكتشاف الأجسام وتتبعها.
توفر مجموعة البيانات 11 فئة مقسمة إلى فئتين إيجابية (معدات الوقاية الشخصية التي يتم ارتداؤها) وسلبية (معدات الوقاية الشخصية المفقودة). هذا الهيكل المزدوج الإيجابي/السلبي يمكّن النماذج من اكتشاف المعدات التي يتم ارتداؤها بشكل صحيح وتحديد انتهاكات السلامة.
قيمة الأعمال
- لا يزال قطاع الإنشاءات أحد أكثر القطاعات خطورة في العالم، حيث وقعت أكثر من 51 من أصل 123 إصابة مميتة مرتبطة بالعمل في المملكة المتحدة في عام 2023/2024 في قطاع الإنشاءات. ومع ذلك، لم تعد المشكلة تكمن في نقص التنظيم، حيث أقر 42% من عمال البناء بعدم التزامهم دائمًا بالعمليات.
- يخضع قطاع الإنشاءات بالفعل لإطار واسع من معايير الصحة والسلامة والبيئة (HSE)، ولكن فرق الصحة والسلامة والبيئة تواجه تحديات في التطبيق المتسق. فغالباً ما تكون فرق الصحة والسلامة والبيئة مرهقة في كثير من الأحيان، حيث تقوم بالموازنة بين الأعمال الورقية وعمليات التدقيق وتفتقر إلى القدرة على مراقبة كل ركن من أركان البيئة المزدحمة والمتغيرة باستمرار في الوقت الفعلي.
- هذا هو المكان الذي يصبح فيه الكشف عن معدات الحماية الشخصية (PPE) القائم على الرؤية الحاسوبية لا يقدر بثمن. من خلال التحقق التلقائي مما إذا كان العمال يرتدون الخوذات والسترات وغيرها من معدات الحماية الشخصية أم لا، يمكنك ضمان أن قواعد الصحة والسلامة والبيئة ليست موجودة فقط بل يتم تطبيقها بشكل فعال ومتسق في جميع المواقع. بالإضافة إلى الامتثال، توفر الرؤية الحاسوبية مؤشرات رائدة للمخاطر من خلال الكشف عن مدى اتباع طواقم العمل لممارسات السلامة، مما يمكّن المؤسسات من اكتشاف الاتجاهات الهبوطية في الامتثال ومنع الحوادث قبل وقوعها.
- وعلى سبيل المكافأة، من المعروف أيضًا أن الكشف عن معدات الحماية الشخصية يساعد في تحديد المتطفلين غير المصرح لهم في الموقع، حيث إن أولئك الذين لا يرتدون معدات السلامة المناسبة هم أول من يطلقون إشعارًا. في نهاية المطاف، يُعدّ الكشف عن معدات الحماية الشخصية حالة استخدام بسيطة وقوية في الوقت نفسه للرؤية الحاسوبية توفر رقابة كاملة ورؤى قابلة للتنفيذ وتقارير موحدة، مما يمكّن شركات الإنشاءات من تقليل المخاطر وحماية العمال وحماية مشاريعها.
التطبيقات
تعمل معدات الحماية الشخصية للبناء على تشغيل مجموعة متنوعة من تطبيقات الرؤية الحاسوبية التي تركز على السلامة:
- مراقبة الامتثال الآلي: تدريب نماذج الذكاء الاصطناعي للتحقق الفوري مما إذا كان العمال يرتدون معدات السلامة المطلوبة مثل الخوذات أو السترات الواقية أو القفازات، مما يقلل من المخاطر في الموقع.
- تحليلات السلامة في مكان العمل: تتبع استخدام معدات الوقاية الشخصية بمرور الوقت، واكتشاف الانتهاكات المتكررة، وتوليد رؤى لتحسين ثقافة السلامة.
- أنظمة المراقبة الذكية: توصيل نماذج الكشف بالكاميرات لإرسال تنبيهات في الوقت الفعلي عند فقدان معدات الوقاية الشخصية ومنع الحوادث قبل وقوعها.
- الروبوتات والأنظمة المستقلة: تمكين الطائرات بدون طيار أو الروبوتات من إجراء فحوصات معدات الوقاية الشخصية في المواقع الكبيرة، مما يدعم عمليات التفتيش الأسرع والأكثر أماناً.
- البحث والتعليم: توفير مجموعة بيانات واقعية للطلاب والباحثين الذين يستكشفون السلامة في مكان العمل والتفاعلات بين الإنسان والأشياء.
ملف YAML لمجموعة البيانات
تتضمن مجموعة بيانات Construction-PPE ملف تكوين YAML الذي يحدد مسارات صور التدريب والتحقق من الصحة إلى جانب القائمة الكاملة لفئات الكائنات. يمكنك الوصول إلى construction-ppe.yaml الملف مباشرةً في مستودع Ultralytics هنا: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/construction-ppe.yaml
ultralytics.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Construction-PPE dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/construction-ppe/
# Example usage: yolo train data=construction-ppe.yaml
# parent
# ├── ultralytics
# └── datasets
# └── construction-ppe ← downloads here (178.4 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: construction-ppe # dataset root dir
train: images/train # train images (relative to 'path') 1132 images
val: images/val # val images (relative to 'path') 143 images
test: images/test # test images (relative to 'path') 141 images
# Classes
names:
0: helmet
1: gloves
2: vest
3: boots
4: goggles
5: none
6: Person
7: no_helmet
8: no_goggle
9: no_gloves
10: no_boots
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip
الاستخدام
يمكنك تدريب نموذج YOLO11n على مجموعة بيانات Construction-PPE لـ 100 حلقة تدريبية بحجم صورة 640. توضح الأمثلة التالية كيفية البدء بسرعة. لمزيد من الخيارات والتكوينات المتقدمة، راجع دليل التدريب.
مثال على التدريب
from ultralytics import YOLO
# Load pretrained model
model = YOLO("yolo11n.pt")
# Train the model on Construction-PPE dataset
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)
yolo detect train data=construction-ppe.yaml model=yolo11n.pt epochs=100 imgsz=640
عينات من الصور والشروحات التوضيحية
تلتقط مجموعة البيانات عمال البناء في بيئات وظروف إضاءة ووضعيات متنوعة. تم تضمين كل من الحالات المتوافقة وغير المتوافقة.
الترخيص والإسناد
تم تطوير برمجية Construction-PPE وإصدارها بموجب ترخيصAGPL-3.0 مما يدعم الأبحاث مفتوحة المصدر والتطبيقات التجارية مع الإسناد المناسب.
إذا كنت تستخدم مجموعة البيانات هذه في بحثك، يرجى الاستشهاد بها:
@dataset{Dalvi_Construction_PPE_Dataset_2025,
author = {Mrunmayee Dalvi and Niyati Singh and Sahil Bhingarde and Ketaki Chalke},
title = {Construction-PPE: Personal Protective Equipment Detection Dataset},
month = {January},
year = {2025},
version = {1.0.0},
license = {AGPL-3.0},
url = {https://docs.ultralytics.com/datasets/detect/construction-ppe/},
publisher = {Ultralytics}
}
الأسئلة الشائعة
ما الذي يجعل مجموعة بيانات معدات الوقاية من التلوث البيئي للبناء فريدة من نوعها؟
على عكس مجموعات بيانات الإنشاءات العامة، تتضمن معدات الحماية الشخصية للبناء بشكل صريح فئات المعدات المفقودة. يسمح هذا النهج المزدوج للتصنيف المزدوج للنماذج ليس فقط باكتشاف معدات الوقاية الشخصية ومعدات الحماية الشخصية ولكن أيضًا بالإبلاغ عن الانتهاكات في الوقت الفعلي.
ما هي فئات الكائنات المضمنة؟
تغطي مجموعة البيانات الخوذات والسترات الواقية والقفازات والأحذية والنظارات الواقية والعمال، إلى جانب نظائرها من "معدات الوقاية الشخصية المفقودة". وهذا يضمن تغطية شاملة للامتثال.
كيف يمكنني تدريب نموذج YOLO باستخدام مجموعة بيانات Construction-PPE؟
لتدريب نموذج YOLO11 باستخدام مجموعة بيانات Construction-PPE، يمكنك استخدام مقتطفات التعليمات البرمجية التالية:
مثال على التدريب
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=construction-ppe.yaml model=yolo11n.pt epochs=100 imgsz=640
هل مجموعة البيانات هذه مناسبة للتطبيقات الواقعية؟
نعم، يتم تنسيق الصور من مواقع بناء حقيقية في ظروف متنوعة. وهذا يجعلها فعالة للغاية في بناء أنظمة مراقبة السلامة في مكان العمل القابلة للنشر.
ما هي فوائد استخدام مجموعة بيانات معدات الوقاية من التشييد والبناء في مشاريع الذكاء الاصطناعي؟
تتيح مجموعة البيانات الكشف في الوقت الفعلي عن معدات الحماية الشخصية، مما يساعد على مراقبة سلامة العمال في مواقع البناء. ومع وجود فئات لكل من المعدات البالية والمفقودة، فإنها تدعم أنظمة الذكاء الاصطناعي التي يمكنها الإبلاغ تلقائيًا عن انتهاكات السلامة وتوليد رؤى الامتثال وتقليل المخاطر. كما أنها توفر مورداً عملياً لتطوير حلول الرؤية الحاسوبية في مجال السلامة في مكان العمل والروبوتات والأبحاث الأكاديمية.
