Jeu de données Construction-PPE
Le jeu 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 de protection, ainsi que les 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 la formation de modèles d'IA qui surveillent la sécurité sur le lieu de 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 présentant des travailleurs avec une utilisation complète et partielle des EPI.
- Ensemble de validation : Un sous-ensemble désigné utilisé pour affiner et évaluer les performances du modèle pendant la détection des EPI et la surveillance de la conformité.
- Ensemble de test : Un 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 au format Ultralytics YOLO assurant la compatibilité avec les pipelines de pointe de détection d'objets et de suivi.
L'ensemble de données fournit 11 classes divisées en catégories positives (EPI portés) et négatives (EPI manquants). Cette structure double positive/négative permet aux modèles de détecter les équipements correctement portés et d'identifier les violations de sécurité.
Valeur commerciale
- Le secteur de la construction reste l'un des plus dangereux 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 cadre étendu de normes de santé et de sécurité (HSE), mais les équipes HSE sont confrontées à des difficultés d'application uniforme. Les équipes HSE sont souvent surchargées, jonglant avec la paperasserie et les audits, et n'ont pas la capacité de surveiller en temps réel tous les coins d'un environnement occupé et en constante évolution.
- C'est là que la détection des équipements de protection individuelle (EPI) basée sur la vision par ordinateur devient inestimable. En vérifiant automatiquement si les travailleurs portent des casques, des gilets et d'autres équipements de protection individuelle, vous pouvez vous assurer que les règles HSE ne sont pas seulement présentes, mais qu'elles sont effectivement appliquées de manière cohérente sur tous les sites. Au-delà de la conformité, la vision par ordinateur fournit des indicateurs avancés de risque en révélant dans quelle mesure les équipes suivent les pratiques de sécurité, permettant aux organisations de repérer les tendances à la baisse en matière de conformité et de prévenir les incidents avant qu'ils ne se produisent.
- De plus, la détection des équipements de protection individuelle est également connue pour identifier les intrus non autorisés sur le site, car ceux qui ne sont pas équipés d'équipements de sécurité appropriés sont les premiers à déclencher une notification. En fin de compte, la détection des EPI est un cas d'utilisation de la vision par ordinateur simple mais puissant 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 préserver leurs projets.
Applications
Construction-PPE alimente une variété d'applications de vision par ordinateur axées sur la sécurité :
- Surveillance automatisée de la conformité : Entraînez des modèles d'IA pour vérifier instantanément si les travailleurs portent l'équipement de sécurité requis comme les casques, les gilets ou les gants, réduisant ainsi les risques sur le site.
- Analyse de la sécurité sur le lieu de travail : Suivez l'utilisation des EPI au fil du temps, repérez les violations fréquentes et générez des informations pour améliorer la culture de la sécurité.
- Systèmes de surveillance intelligents : Connectez les modèles de détection aux caméras pour envoyer des alertes en temps réel lorsque les EPI sont manquants, empêchant ainsi les accidents avant qu'ils ne se produisent.
- Robotique et systèmes autonomes : Permettez aux drones ou aux robots d'effectuer des contrôles des EPI sur de grands sites, soutenant ainsi des inspections plus rapides et plus sûres.
- Recherche et éducation : Fournissez un ensemble de données du monde réel aux étudiants et aux chercheurs explorant la sécurité sur le lieu de travail et les interactions homme-objet.
YAML du jeu de données
Le jeu de données Construction-PPE comprend un fichier de configuration YAML qui définit les chemins d'image d'entraînement et de validation ainsi que la liste complète des classes d'objets. Vous pouvez accéder au construction-ppe.yaml fichier directement dans le référentiel Ultralytics ici : https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/construction-ppe.yaml
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
Vous pouvez entraîner un modèle YOLO11n 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, consultez 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 de données capture des travailleurs de la construction dans des environnements, des conditions d'éclairage et des postures variés. Les cas conformes et non conformes sont inclus.
Licence et attribution
Construction-PPE est développé et publié sous la licence AGPL-3.0, soutenant la recherche open source et les applications commerciales avec une attribution appropriée.
Si vous utilisez cet ensemble de données dans vos recherches, 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 le jeu de données Construction-PPE unique ?
Contrairement aux ensembles de données de construction génériques, Construction-PPE inclut explicitement des classes d'équipements manquants. Cette approche de double étiquetage permet aux modèles non seulement de détecter les EPI, mais aussi de signaler les violations en temps réel.
Quelles catégories d'objets sont incluses ?
Le jeu de données couvre les casques, les gilets, les gants, les bottes, les lunettes de protection 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 YOLO11 à l'aide du jeu 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
Ce jeu de données convient-il aux applications du monde réel ?
Oui. Les images sont sélectionnées à partir de chantiers de construction réels dans des conditions diverses. Cela le rend très efficace pour la construction de systèmes de surveillance de la sécurité sur le lieu de travail déployables.
Quels sont les avantages de l'utilisation du jeu de données Construction-PPE dans les projets d'IA ?
Le jeu de données permet la détection en temps réel des équipements de protection individuelle, aidant à surveiller la sécurité des travailleurs sur les chantiers de construction. Avec des classes pour les équipements portés et manquants, il prend en charge les systèmes d'IA qui peuvent automatiquement signaler les violations de sécurité, générer des informations sur la conformité et réduire les risques. Il fournit également une ressource pratique pour développer des solutions de vision par ordinateur dans la sécurité au travail, la robotique et la recherche universitaire.
