Ensemble de données Construction-PPE
L'ensemble de données Construction-PPE est conçu pour améliorer la conformité en matière de sécurité sur les chantiers de construction en permettant la détection des équipements de protection essentiels tels que les casques, les gilets, les gants, les bottes et les lunettes, ainsi que des annotations pour les équipements manquants. Tiré d'environnements de construction réels, il comprend à la fois des cas conformes et non conformes, ce qui en fait une ressource précieuse pour l'entraînement des modèles d'IA qui surveillent la sécurité sur le lieu de travail.
Structure du jeu de données
L'ensemble de données Construction-PPE est organisé en trois sous-ensembles principaux :
- Ensemble de formation: La principale collection d'images annotées de la construction montrant des travailleurs utilisant des EPI complets ou partiels.
- Ensemble de validation: Sous-ensemble désigné utilisé pour affiner et évaluer les performances du modèle lors de la détection des EPI et du contrôle de la conformité.
- Ensemble de test: Sous-ensemble indépendant réservé à l'évaluation de l'efficacité du modèle final dans la détection des EPI et l'identification des problèmes de conformité.
Chaque image est annotée dans la base de données Ultralytics YOLO d'Ultralytics, ce qui garantit la compatibilité avec les pipelines de détection et de suivi d' objets les plus modernes.
L'ensemble de données fournit 11 classes divisées en catégories positives (EPI portés) et négatives (EPI manquants). Cette double structure positive/négative permet aux modèles de détecter les équipements correctement portés et d' identifier les infractions à la sécurité.
Applications
Construction-PPE alimente une variété d'applications de vision par ordinateur axées sur la sécurité :
- Contrôle automatisé de la conformité: Formez des modèles d'IA pour vérifier instantanément si les travailleurs portent les équipements de sécurité requis, tels que les casques, les gilets ou les gants, afin de réduire les risques sur le site.
- Analyse de la sécurité sur le lieu de travail: Suivre l'utilisation des EPI au fil du temps, repérer les infractions fréquentes et générer des informations pour améliorer la culture de la sécurité.
- Systèmes de surveillance intelligents: Connectez les modèles de détection à des caméras pour envoyer des alertes en temps réel en cas d'absence d'EPI, afin de prévenir les accidents avant qu'ils ne se produisent.
- Robotique et systèmes autonomes: Permettre à des drones ou à des robots d'effectuer des contrôles d'EPI sur de vastes sites, afin d'accélérer les inspections et de les rendre plus sûres.
- Recherche et éducation: Fournir un ensemble de données réelles aux étudiants et aux chercheurs qui étudient la sécurité sur le lieu de travail et les interactions entre l'homme et l'objet.
YAML du jeu de données
L'ensemble de données Construction-PPE comprend un fichier de configuration YAML qui définit les chemins d'accès aux images d'entraînement et de validation ainsi que la liste complète des classes d'objets. Vous pouvez accéder au fichier de configuration construction-ppe.yaml directement dans le dépôt Ultralytics ici : 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
Utilisation
Vous pouvez entraîner un modèle YOLO11n sur l'ensemble de données Construction-PPE pendant 100 époques avec une taille d'image de 640. Les exemples suivants montrent comment démarrer rapidement. Pour plus d'options et de configurations avancées, voir le Guide de formation.
Exemple d'entraînement
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
Images et annotations d'exemple
L'ensemble des données concerne des travailleurs de la construction dans des environnements, des conditions d'éclairage et des postures variés. Les cas de conformité et de non-conformité sont inclus.
Licence et attribution
Construction-PPE est développé et publié sous la licenceAGPL-3.0 , qui soutient la recherche open-source et les applications commerciales avec l'attribution appropriée.
Si vous utilisez cet ensemble de données dans votre recherche, veuillez le citer :
@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}
}
FAQ
Qu'est-ce qui rend l'ensemble de données Construction-PPE unique ?
Contrairement aux ensembles de données génériques sur la construction, Construction-PPE inclut explicitement les classes d'équipement manquantes. Cette approche de double étiquetage permet aux modèles non seulement de détecter les EPI, mais aussi de signaler les violations en temps réel.
Quelles sont les catégories d'objets incluses ?
L'ensemble des données couvre les casques, les gilets, les gants, les bottes, les lunettes et les travailleurs, ainsi que leurs équivalents "EPI manquants". Cela garantit une couverture complète de la conformité.
Comment puis-je entraîner un modèle YOLO en utilisant l'ensemble de données Construction-PPE ?
Pour entraîner un modèle YOLO11 à l'aide de l'ensemble de données Construction-PPE, vous pouvez utiliser les extraits de code suivants :
Exemple d'entraînement
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
Cet ensemble de données est-il adapté aux applications du monde réel ?
Oui, les images proviennent de chantiers réels dans des conditions diverses. Elles sont donc très efficaces pour créer des systèmes de surveillance de la sécurité sur le lieu de travail pouvant être déployés.
Quels sont les avantages de l'utilisation de l'ensemble de données Construction-PPE dans les projets d'IA ?
Cet ensemble de données permet de détecter en temps réel les équipements de protection individuelle, ce qui contribue à surveiller la sécurité des travailleurs sur les chantiers de construction. Avec des classes pour les équipements portés et manquants, il soutient les systèmes d'IA qui peuvent automatiquement signaler les violations de la sécurité, générer des informations sur la conformité et réduire les risques. Il constitue également une ressource pratique pour le développement de solutions de vision par ordinateur dans les domaines de la sécurité au travail, de la robotique et de la recherche universitaire.
