مجموعة بيانات Construction-PPE

تم تصميم مجموعة بيانات Construction-PPE لتحسين الامتثال للسلامة في مواقع البناء من خلال تمكين اكتشاف معدات الحماية الأساسية مثل الخوذات، والسترات، والقفازات، والأحذية، والنظارات الواقية، بالإضافة إلى تعليقات توضيحية للمعدات المفقودة. تم جمع هذه البيانات من بيئات بناء حقيقية، وهي تتضمن حالات امتثال وعدم امتثال، مما يجعلها مورداً قيماً لتدريب نماذج الذكاء الاصطناعي التي تراقب سلامة مكان العمل.

هيكل مجموعة البيانات

يتم تنظيم مجموعة بيانات Construction-PPE في ثلاث مجموعات فرعية رئيسية:

• مجموعة التدريب: المجموعة الأساسية من صور البناء المشروحة التي تضم عمالاً يرتدون معدات الوقاية الشخصية بشكل كامل أو جزئي.
• مجموعة التحقق: مجموعة فرعية مخصصة تُستخدم لضبط وتقييم أداء النموذج أثناء اكتشاف معدات الوقاية الشخصية ومراقبة الامتثال.
• مجموعة الاختبار: مجموعة فرعية مستقلة مخصصة لتقييم فعالية النموذج النهائي في اكتشاف معدات الوقاية الشخصية وتحديد مشكلات الامتثال.

كل صورة مشروحة بتنسيق Ultralytics YOLO لضمان التوافق مع خطوط أنابيب اكتشاف الكائنات والتتبع المتطورة.

توفر مجموعة البيانات 11 فئة مقسمة إلى فئات إيجابية (ارتداء معدات الوقاية الشخصية) وسلبية (فقدان معدات الوقاية الشخصية). يمكّن هذا الهيكل المزدوج الإيجابي/السلبي النماذج من اكتشاف المعدات التي يتم ارتداؤها بشكل صحيح وتحديد انتهاكات السلامة.

القيمة التجارية

• لا تزال أعمال البناء واحدة من أكثر الصناعات خطورة في العالم، حيث وقعت أكثر من 51 حالة من أصل 123 إصابة مميتة متعلقة بالعمل في المملكة المتحدة في عام 2023/2024 في قطاع البناء. ومع ذلك، لم تعد المشكلة تتعلق بنقص اللوائح، حيث يعترف 42% من عمال البناء بأنهم لا يلتزمون دائماً بالعمليات.
• يخضع قطاع البناء بالفعل لإطار عمل واسع من معايير الصحة والسلامة (HSE)، ولكن تواجه فرق الصحة والسلامة تحديات في التنفيذ المتسق. غالباً ما تكون فرق الصحة والسلامة منهكة، حيث توازن بين الأعمال الورقية وعمليات التدقيق وتفتقر إلى القدرة على مراقبة كل زاوية في بيئة عمل مزدحمة ومتغيرة باستمرار في الوقت الفعلي.
• هنا يصبح اكتشاف معدات الوقاية الشخصية (PPE) القائم على الرؤية الحاسوبية لا يقدر بثمن. من خلال التحقق تلقائياً مما إذا كان العمال يرتدون الخوذات والسترات ومعدات الوقاية الشخصية الأخرى، يمكنك التأكد من أن قواعد الصحة والسلامة ليست موجودة فحسب، بل يتم تطبيقها بفعالية وبشكل متسق عبر جميع المواقع. بالإضافة إلى الامتثال، توفر الرؤية الحاسوبية مؤشرات استباقية للمخاطر من خلال كشف مدى التزام أطقم العمل بممارسات السلامة، مما يُمكّن المؤسسات من رصد الاتجاهات التنازلية في الامتثال ومنع الحوادث قبل وقوعها.
• كإضافة، من المعروف أيضاً أن اكتشاف معدات الوقاية الشخصية يحدد المتسللين غير المصرح لهم إلى الموقع، حيث أن أولئك الذين لا يرتدون معدات السلامة المناسبة هم أول من يطلق تنبيهاً. في النهاية، يعد اكتشاف معدات الوقاية الشخصية حالة استخدام بسيطة وقوية للرؤية الحاسوبية توفر رقابة كاملة ورؤى قابلة للتنفيذ وتقارير موحدة، مما يمكّن شركات البناء من تقليل المخاطر وحماية العمال وتأمين مشاريعهم.

التطبيقات

تدعم Construction-PPE مجموعة متنوعة من تطبيقات الرؤية الحاسوبية التي تركز على السلامة:

• مراقبة الامتثال الآلية: تدريب نماذج الذكاء الاصطناعي للتحقق فوراً مما إذا كان العمال يرتدون معدات السلامة المطلوبة مثل الخوذات أو السترات أو القفازات، مما يقلل المخاطر في الموقع.
• تحليلات سلامة مكان العمل: تتبع استخدام معدات الوقاية الشخصية بمرور الوقت، ورصد الانتهاكات المتكررة، وتوليد رؤى لتحسين ثقافة السلامة.
• أنظمة المراقبة الذكية: ربط نماذج الاكتشاف بالكاميرات لإرسال تنبيهات في الوقت الفعلي عند فقدان معدات الوقاية الشخصية، مما يمنع الحوادث قبل وقوعها.
• الروبوتات والأنظمة المستقلة: تمكين الطائرات بدون طيار أو الروبوتات من إجراء فحوصات معدات الوقاية الشخصية عبر المواقع الكبيرة، مما يدعم عمليات تفتيش أسرع وأكثر أماناً.
• البحث والتعليم: توفير مجموعة بيانات واقعية للطلاب والباحثين الذين يستكشفون سلامة مكان العمل والتفاعلات بين البشر والأشياء.

ملف YAML الخاص بمجموعة البيانات

تتضمن مجموعة بيانات Construction-PPE ملف تكوين YAML يحدد مسارات صور التدريب والتحقق بالإضافة إلى القائمة الكاملة لفئات الكائنات. يمكنك الوصول إلى ملف construction-ppe.yaml مباشرة في مستودع Ultralytics هنا: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/construction-ppe.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 YOLO26n على مجموعة بيانات Construction-PPE لمدة 100 حقبة (epochs) مع حجم صورة 640. توضح الأمثلة التالية كيفية البدء بسرعة. لمزيد من الخيارات والتكوينات المتقدمة، راجع دليل التدريب.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo26n.pt")

# Train the model on Construction-PPE dataset
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

صور وعينات تعليقات توضيحية

تلتقط مجموعة البيانات عمال البناء في بيئات وظروف إضاءة وأوضاع مختلفة. تم تضمين حالات الامتثال وعدم الامتثال.

الترخيص والإسناد

تم تطوير وإصدار Construction-PPE بموجب ترخيص AGPL-3.0، لدعم البحث مفتوح 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 Construction-PPE فريدة من نوعها؟

على عكس مجموعات بيانات البناء العامة، تتضمن Construction-PPE صراحةً فئات للمعدات المفقودة. يسمح نهج التصنيف المزدوج هذا للنماذج ليس فقط باكتشاف معدات الوقاية الشخصية ولكن أيضاً بالإبلاغ عن الانتهاكات في الوقت الفعلي.

ما هي فئات الكائنات المضمنة؟

تغطي مجموعة البيانات الخوذات، والسترات، 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 YOLO26 باستخدام مجموعة بيانات Construction-PPE، يمكنك استخدام مقتطفات التعليمات البرمجية التالية:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

هل مجموعة البيانات هذه مناسبة للتطبيقات الواقعية؟

نعم. تم جمع الصور من مواقع بناء حقيقية في ظل ظروف متنوعة. وهذا يجعلها فعالة للغاية لبناء أنظمة مراقبة سلامة مكان العمل القابلة للنشر.

ما هي فوائد استخدام مجموعة بيانات Construction-PPE في مشاريع الذكاء الاصطناعي؟

تتيح مجموعة البيانات اكتشاف معدات الوقاية الشخصية في الوقت الفعلي، مما يساعد في مراقبة سلامة العمال في مواقع البناء. مع وجود فئات لكل من المعدات التي يتم ارتداؤها والمفقودة، فهي تدعم أنظمة الذكاء الاصطناعي التي يمكنها تلقائياً الإبلاغ عن انتهاكات السلامة، وتوليد رؤى الامتثال، وتقليل المخاطر. كما أنها توفر مورداً عملياً لتطوير حلول الرؤية الحاسوبية في مجال سلامة مكان العمل، والروبوتات، والبحث الأكاديمي.