Ir para o conteúdo

Conjunto de Dados Construction-PPE

Conjunto de dados do EPP-Construção em Colab

O conjunto de dados Construction-PPE foi projetado para melhorar a conformidade com a segurança em canteiros de obras, permitindo a detecção de equipamentos de proteção essenciais, como capacetes, coletes, luvas, botas e óculos de proteção, juntamente com anotações para equipamentos ausentes. Com curadoria de ambientes de construção reais, inclui casos compatíveis e não compatíveis, tornando-o um recurso valioso para treinar modelos de IA que monitoram a segurança no local de trabalho.

Estrutura do Conjunto de Dados

O conjunto de dados Construction-PPE está organizado em três subconjuntos principais:

  • Conjunto de Treinamento: A coleção primária de imagens de construção anotadas, apresentando trabalhadores com uso de EPI completo e parcial.
  • Conjunto de Validação: Um subconjunto designado usado para ajustar e avaliar o desempenho do modelo durante a detecção de EPI e o monitoramento de conformidade.
  • Conjunto de Teste: Um subconjunto independente reservado para avaliar a eficácia do modelo final na detecção de EPI e na identificação de problemas de conformidade.

Cada imagem é anotada no formato Ultralytics YOLO, garantindo a compatibilidade com pipelines de detecção de objetos e rastreamento de última geração.

O conjunto de dados fornece 11 classes divididas em categorias positivas (EPI usado) e negativas (EPI ausente). Essa estrutura dual positiva/negativa permite que os modelos detectem equipamentos usados corretamente e identifiquem violações de segurança.

Valor de Negócio

  • A construção continua sendo uma das indústrias mais perigosas do mundo, com mais de 51 das 123 lesões fatais relacionadas ao trabalho no Reino Unido em 2023/2024 ocorrendo na construção. No entanto, a questão não é mais a falta de regulamentação, com 42% dos trabalhadores da construção admitindo que nem sempre aderem aos processos.
  • A construção já é regida por uma extensa estrutura de padrões de saúde e segurança (HSE), mas as equipes de HSE são desafiadas com a aplicação consistente. As equipes de HSE geralmente estão sobrecarregadas, equilibrando papelada e auditorias e sem a capacidade de monitorar cada canto de um ambiente movimentado e em constante mudança em tempo real.
  • É aqui que a detecção de equipamentos de proteção individual (EPI) baseada em visão computacional se torna inestimável. Ao verificar automaticamente se os trabalhadores estão usando capacetes, coletes e outros equipamentos de proteção individual, você pode garantir que as regras de HSE não estejam apenas presentes, mas sejam efetivamente aplicadas de forma consistente em todos os locais. Além da conformidade, a visão computacional fornece indicadores avançados de risco, revelando o quão bem as equipes seguem as práticas de segurança, permitindo que as organizações identifiquem tendências de queda na conformidade e evitem incidentes antes que aconteçam.
  • Como bônus, a detecção de equipamentos de proteção individual também é conhecida por identificar invasores não autorizados no local, já que aqueles que não estão equipados com equipamentos de segurança adequados são os primeiros a acionar uma notificação. Em última análise, a detecção de EPI é um caso de uso de visão computacional simples, porém poderoso, que oferece supervisão total, insights acionáveis e relatórios padronizados, capacitando as empresas de construção a reduzir riscos, proteger os trabalhadores e salvaguardar seus projetos.

Aplicações

Construction-PPE impulsiona uma variedade de aplicações de visão computacional focadas na segurança:

  • Monitoramento automatizado de conformidade: Treine modelos de IA para verificar instantaneamente se os trabalhadores estão usando equipamentos de segurança obrigatórios, como capacetes, coletes ou luvas, reduzindo os riscos no local.
  • Análise de segurança no local de trabalho: Rastreie o uso de EPI ao longo do tempo, identifique violações frequentes e gere insights para melhorar a cultura de segurança.
  • Sistemas de vigilância inteligentes: Conecte modelos de detecção com câmeras para enviar alertas em tempo real quando o EPI estiver faltando, evitando acidentes antes que aconteçam.
  • Robótica e sistemas autônomos: Permita que drones ou robôs realizem verificações de EPI em grandes locais, apoiando inspeções mais rápidas e seguras.
  • Pesquisa e educação: Forneça um conjunto de dados do mundo real para estudantes e pesquisadores que exploram a segurança no local de trabalho e as interações humano-objeto.

YAML do Conjunto de Dados

O conjunto de dados Construction-PPE inclui um arquivo de configuração YAML que define os caminhos das imagens de treinamento e validação, juntamente com a lista completa de classes de objetos. Você pode acessar o construction-ppe.yaml arquivo diretamente no repositório Ultralytics aqui: 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

Utilização

Você pode treinar um modelo YOLO11n no conjunto de dados Construction-PPE por 100 épocas com um tamanho de imagem de 640. Os exemplos a seguir mostram como começar rapidamente. Para mais opções e configurações avançadas, consulte o guia de treinamento.

Exemplo de Treinamento

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

Amostras de Imagens e Anotações

O conjunto de dados captura trabalhadores da construção civil em diversos ambientes, condições de iluminação e posturas. Casos compatíveis e não compatíveis estão incluídos.

Imagem de amostra do conjunto de dados Construction-PPE, mostrando a detecção de equipamentos de segurança compatíveis e não compatíveis

Licença e Atribuição

Construction-PPE é desenvolvido e lançado sob a Licença AGPL-3.0, apoiando pesquisa de código aberto e aplicações comerciais com a devida atribuição.

Se você usar este conjunto de dados em sua pesquisa, por favor, cite-o:

@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

O que torna o conjunto de dados Construction-PPE único?

Ao contrário dos conjuntos de dados de construção genéricos, Construction-PPE inclui explicitamente classes de equipamentos ausentes. Esta abordagem de rotulagem dupla permite que os modelos não apenas detectem EPIs, mas também sinalizem violações em tempo real.

Quais categorias de objetos estão incluídas?

O conjunto de dados cobre capacetes, coletes, luvas, botas, óculos de proteção e trabalhadores, juntamente com suas contrapartes de “EPIs ausentes”. Isso garante uma cobertura abrangente de conformidade.

Como posso treinar um modelo YOLO usando o conjunto de dados Construction-PPE?

Para treinar um modelo YOLO11 usando o conjunto de dados Construction-PPE, você pode usar os seguintes trechos de código:

Exemplo de Treinamento

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

Este conjunto de dados é adequado para aplicações no mundo real?

Sim. As imagens são selecionadas de canteiros de obras reais em diversas condições. Isso o torna altamente eficaz para construir sistemas de monitoramento de segurança no local de trabalho implantáveis.

Quais são os benefícios de usar o conjunto de dados Construction-PPE em projetos de IA?

O conjunto de dados permite a detecção em tempo real de equipamentos de proteção individual, ajudando a monitorar a segurança dos trabalhadores em canteiros de obras. Com classes para equipamentos usados e ausentes, ele oferece suporte a sistemas de IA que podem sinalizar automaticamente violações de segurança, gerar insights de conformidade e reduzir riscos. Ele também fornece um recurso prático para desenvolver soluções de visão computacional em segurança no local de trabalho, robótica e pesquisa acadêmica.



📅C riado há 23 dias ✏️ Atualizado há 0 dias

Comentários