Jeu de données Construction-PPE

Le jeu de données Construction-PPE est conçu pour améliorer la conformité aux règles de sécurité sur les chantiers de construction en permettant la détection d'équipements de protection essentiels tels que les casques, gilets, gants, bottes et lunettes, ainsi que des annotations pour les équipements manquants. Issu d'environnements de construction réels, il comprend des cas conformes et non conformes, ce qui en fait une ressource précieuse pour entraîner des modèles d'IA qui surveillent la sécurité au travail.

Structure du jeu de données

Le jeu de données Construction-PPE est organisé en trois sous-ensembles principaux :

• Ensemble d'entraînement : La collection principale d'images de construction annotées mettant en scène des travailleurs utilisant leurs EPI de manière complète ou partielle.
• Ensemble de validation : Un sous-ensemble désigné utilisé pour ajuster et évaluer les performances du modèle lors de la détection des EPI et du contrôle de la conformité.
• Ensemble de test : Un sous-ensemble indépendant réservé à l'évaluation de l'efficacité du modèle final pour détecter les EPI et identifier les problèmes de conformité.

Chaque image est annotée au format Ultralytics YOLO, garantissant la compatibilité avec les pipelines de détection d'objets et de suivi de pointe.

Le jeu de données fournit 11 classes divisées en catégories positives (EPI portés) et négatives (EPI manquants). Cette structure double positif/négatif permet aux modèles de détecter les équipements correctement portés et d'identifier les violations de sécurité.

Valeur commerciale

• La construction reste l'une des industries les plus dangereuses au monde, avec plus de 51 des 123 blessures mortelles liées au travail au Royaume-Uni en 2023/2024 survenues dans la construction. Cependant, le problème n'est plus un manque de réglementation, puisque 42 % des travailleurs de la construction admettent ne pas toujours respecter les processus.
• La construction est déjà régie par un vaste cadre de normes de santé et de sécurité (HSE), mais les équipes HSE sont confrontées au défi d'une application cohérente. Ces équipes sont souvent surchargées, devant jongler entre la paperasse et les audits, sans pouvoir surveiller chaque recoin d'un environnement occupé et en constante évolution en temps réel.
• C'est là que la détection d'équipements de protection individuelle (EPI) basée sur la vision par ordinateur devient inestimable. En vérifiant automatiquement si les travailleurs portent des casques, gilets et autres équipements de protection individuelle, tu peux t'assurer que les règles HSE ne sont pas seulement présentes, mais réellement appliquées de manière cohérente sur tous les sites. Au-delà de la conformité, la vision par ordinateur fournit des indicateurs de risque avancés en révélant dans quelle mesure les équipes suivent les pratiques de sécurité, permettant aux organisations de repérer les tendances à la baisse de la conformité et de prévenir les incidents avant qu'ils ne surviennent.
• En prime, la détection d'équipements de protection individuelle est également connue pour identifier les intrus non autorisés sur le site, car ceux qui ne sont pas équipés des protections adéquates sont les premiers à déclencher une notification. En fin de compte, la détection des EPI est un cas d'utilisation simple mais puissant de la vision par ordinateur qui offre une surveillance complète, des informations exploitables et des rapports standardisés, permettant aux entreprises de construction de réduire les risques, de protéger les travailleurs et de sécuriser leurs projets.

Applications

Construction-PPE alimente une variété d'applications de vision par ordinateur axées sur la sécurité :

• Surveillance automatisée de la conformité : Entraîne des modèles d'IA pour vérifier instantanément si les travailleurs portent l'équipement de sécurité requis comme les casques, gilets ou gants, réduisant ainsi les risques sur site.
• Analyses de sécurité au travail : Suis l'utilisation des EPI au fil du temps, repère les violations fréquentes et génère des informations pour améliorer la culture de sécurité.
• Systèmes de surveillance intelligents : Connecte les modèles de détection avec des caméras pour envoyer des alertes en temps réel lorsque des EPI manquent, prévenant ainsi les accidents avant qu'ils ne se produisent.
• Robotique et systèmes autonomes : Permets aux drones ou aux robots d'effectuer des vérifications d'EPI sur de grands sites, soutenant ainsi des inspections plus rapides et plus sûres.
• Recherche et éducation : Fournis un jeu de données réel pour les étudiants et les chercheurs explorant la sécurité au travail et les interactions homme-objet.

YAML du jeu de données

Le jeu de données Construction-PPE inclut 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. Tu peux accéder au fichier construction-ppe.yaml directement dans le référentiel Ultralytics ici : 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

Utilisation

Tu peux entraîner un modèle YOLO26n sur le jeu 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, consulte le Guide d'entraînement.

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)

Exemples d'images et d'annotations

Le jeu de données capture des travailleurs de la construction dans des environnements, des conditions d'éclairage et des postures variés. Des cas conformes et non conformes sont inclus.

Licence et attribution

Construction-PPE est développé et publié sous la licence AGPL-3.0, prenant en charge la recherche open-source et les applications commerciales avec une attribution appropriée.

Si tu utilises ce jeu de données dans tes recherches, merci de 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 le jeu de données Construction-PPE unique ?

Contrairement aux jeux de données de construction génériques, Construction-PPE inclut explicitement des classes d'équipements manquants. Cette approche à 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 ?

Le jeu de données couvre les casques, gilets, gants, bottes, lunettes et les travailleurs, ainsi que leurs homologues « EPI manquants ». Cela garantit une couverture complète de la conformité.

Comment puis-je entraîner un modèle YOLO en utilisant le jeu de données Construction-PPE ?

Pour entraîner un modèle YOLO26 en utilisant le jeu de données Construction-PPE, tu peux utiliser les extraits de code suivants :

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)

Ce jeu de données est-il adapté aux applications réelles ?

Oui. Les images sont sélectionnées à partir de chantiers de construction réels dans des conditions diverses. Cela le rend très efficace pour construire des systèmes de surveillance de la sécurité au travail déployables.

Quels sont les avantages d'utiliser le jeu de données Construction-PPE dans des projets d'IA ?

Le jeu de données permet une détection en temps réel des équipements de protection individuelle, aidant à surveiller la sécurité des travailleurs sur les chantiers. Avec des classes pour les équipements portés et manquants, il prend en charge des systèmes d'IA capables de signaler automatiquement les violations de sécurité, de générer des informations sur la conformité et de réduire les risques. Il constitue également une ressource pratique pour développer des solutions de vision par ordinateur en matière de sécurité au travail, de robotique et de recherche académique.