Link to this sectionConstruction-PPE Veri Kümesi#

Ultralytics Construction-PPE veri seti, baretler, eldivenler, yelekler, botlar ve gözlükler dahil olmak üzere kişisel koruyucu ekipmanları tespit etmek ve şantiyelerdeki eksik ekipmanları işaretlemek için 11 sınıf genelinde etiketlenmiş 1.416 görüntüden (1.132 eğitim, 143 doğrulama ve 141 test için) oluşan bir nesne tespiti veri setidir. Gerçek şantiye ortamlarından derlenen bu veri seti, hem uyumlu hem de uyumsuz durumları içerir ve iş yeri güvenliğini izleyen bilgisayarlı görü modellerini eğitmek için pratik bir kaynak sağlar.

Link to this sectionVeri Kümesi Yapısı#

Construction-PPE veri seti, construction-ppe.yaml yapılandırması tarafından tanımlanan üç önceden belirlenmiş alt kümeye ayrılmış 1.416 görüntü içerir:

Every image is annotated in the Ultralytics YOLO format, ensuring compatibility with state-of-the-art object detection and tracking pipelines.

Veri seti, kullanılan ekipmanları, eksik ekipmanları ve insanları kapsayan 11 sınıf sağlar:

• Kullanılan KKD (5): helmet, gloves, vest, boots, goggles
• Eksik KKD (4): no_helmet, no_gloves, no_boots, no_goggle
• Diğer (2): Person, none

Kullanılan ve eksik etiketlerini eşleştirmek, bir modelin hem düzgün bir şekilde takılan ekipmanı tespit etmesini hem de güvenlik ihlallerini işaretlemesini sağlar. vest için özel bir eksik yelek etiketi olmadığını unutma.

Link to this sectionTicari Değer#

İnşaat en tehlikeli sektörlerden biridir ve buradaki zorluk genellikle yönetmelik eksikliğinden ziyade uygulamadır. Sağlık ve güvenlik ekipleri oldukça kısıtlıdır ve yoğun, sürekli değişen bir şantiyenin her köşesini gerçek zamanlı olarak izleyemezler.

Bilgisayarlı görü tabanlı KKD tespiti, bu boşluğu doldurmaya yardımcı olur. Çalışanların gerekli baretleri, yelekleri ve diğer ekipmanları takıp takmadığını otomatik olarak kontrol ederek, güvenlik kurallarını şantiyelerde tutarlı bir şekilde uygular ve riskin öncü göstergelerini ortaya çıkararak olaylar gerçekleşmeden önce uyumluluk eğilimlerini belirler. KKD tespiti, genellikle uygun güvenlik ekipmanı olmadan ortaya çıkan yetkisiz şantiye davetsiz misafirlerini de işaretleyebilir.

Link to this sectionUygulamalar#

Construction-PPE, güvenliğe odaklı çeşitli bilgisayarlı görü uygulamalarına güç katar:

• Otomatik uyumluluk izleme: İşçilerin baret, yelek veya eldiven gibi gerekli güvenlik ekipmanlarını takıp takmadığını anında kontrol etmek için yapay zeka modelleri eğiterek sahadaki riskleri azalt.
• İş yeri güvenlik analitiği: Zaman içindeki KKD kullanımını takip et, sık yaşanan ihlalleri belirle ve güvenlik kültürünü geliştirmek için içgörüler oluştur.
• Akıllı gözetim sistemleri: KKD eksik olduğunda gerçek zamanlı uyarılar göndermek için tespit modellerini kameralarla bağla ve kazaları gerçekleşmeden önce önle.
• Robotik ve otonom sistemler: İHA'ların veya robotların büyük sahalarda KKD kontrolleri yapmasını sağlayarak daha hızlı ve güvenli denetimleri destekle.
• Araştırma ve eğitim: İş yeri güvenliğini ve insan-nesne etkileşimlerini inceleyen öğrenciler ve araştırmacılar için gerçek dünyadan bir veri kümesi sağla.

Yerel altyapıyı yönetmeden bir KKD tespit modelini etiketlemek, eğitmek ve dağıtmak için Ultralytics Platform ile tüm süreci tarayıcında çalıştır.

Link to this sectionVeri Kümesi YAML#

Construction-PPE veri seti, eğitim, doğrulama ve test görüntü yollarını ve tam nesne sınıfı listesini tanımlayan bir YAML yapılandırma dosyası içerir. construction-ppe.yaml dosyasına Ultralytics deposundan doğrudan buradan erişebilirsin: 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

Link to this sectionKullanım#

Construction-PPE veri kümesi üzerinde bir YOLO26n modelini 640 görsel boyutu ile 100 epoch boyunca eğitebilirsin. Aşağıdaki örnekler nasıl hızlı bir şekilde başlayacağını gösterir. Daha fazla seçenek ve gelişmiş yapılandırmalar için Eğitim kılavuzuna bak.

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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

Veri kümesi; inşaat işçilerini farklı ortamlarda, aydınlatma koşullarında ve duruşlarda yakalar. Hem uyumlu hem de uyumlu olmayan durumlar dahil edilmiştir.

Link to this sectionLisans ve Atıf#

Construction-PPE, açık kaynaklı araştırmaları ve uygun atıfla ticari uygulamaları destekleyen AGPL-3.0 Lisansı altında geliştirilmiş ve yayınlanmıştır.

Bu veri kümesini araştırmanda kullanırsan lütfen atıfta bulun:

@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}
}

Link to this sectionSSS#

Link to this sectionConstruction-PPE veri kümesini benzersiz kılan nedir?#

Genel inşaat veri setlerinin aksine, Construction-PPE açıkça eksik ekipman sınıflarını (no_helmet, no_gloves, no_boots, no_goggle) içerir. Bu ikili etiketleme yaklaşımı, bir modelin sadece kullanılan KKD'yi tespit etmesine değil, aynı zamanda gerçek zamanlı olarak ihlalleri işaretlemesine olanak tanır.

Link to this sectionHangi nesne kategorileri dahildir?#

Construction-PPE veri seti 11 sınıfa sahiptir: beş kullanılan KKD öğesi (helmet, gloves, vest, boots, goggles), dört eksik KKD etiketi (no_helmet, no_gloves, no_boots, no_goggle), artı Person ve genel bir none sınıfı. vest için özel bir eksik yelek etiketi olmadığını unutma.

Link to this sectionConstruction-PPE veri setinde kaç görüntü ve sınıf var?#

Construction-PPE veri seti 11 sınıf genelinde 1.416 görüntü içerir; eğitim için 1.132, doğrulama için 143 ve test için 141. Tam ayrım ve sınıf dökümü için Veri Seti Yapısı bölümüne bak.

Link to this sectionConstruction-PPE veri setini nasıl indirebilirim?#

Veri seti (178.4 MB), data="construction-ppe.yaml" ile ilk kez eğitim yaptığında otomatik olarak indirilir; manuel bir işlem gerekmez. Ultralytics, veri setini getirir ve yerel veri seti dizinine açar. Tespit veri setlerine genel bakış bölümünden ilgili veri setlerine göz atabilirsin.

Link to this sectionConstruction-PPE veri kümesini kullanarak nasıl bir YOLO modeli eğitebilirim?#

Construction-PPE veri kümesini kullanarak bir YOLO26 modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin:

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)

Link to this sectionBu veri kümesi gerçek dünya uygulamaları için uygun mu?#

Evet. Görüntüler, gerçek şantiyelerden çeşitli koşullar altında derlenmiştir, bu da veri setini konuşlandırılabilir iş yeri güvenliği izleme sistemleri oluşturmak için son derece etkili kılar.

Link to this sectionConstruction-PPE veri kümesini yapay zeka projelerinde kullanmanın faydaları nelerdir?#

Veri kümesi, kişisel koruyucu donanımların gerçek zamanlı olarak tespit edilmesini sağlayarak inşaat sahalarında işçi güvenliğinin izlenmesine yardımcı olur. Hem takılı hem de eksik ekipman sınıflarıyla, güvenlik ihlallerini otomatik olarak işaretleyebilen, uyumluluk içgörüleri oluşturabilen ve riskleri azaltabilen yapay zeka sistemlerini destekler. Ayrıca iş yeri güvenliği, robotik ve akademik araştırmalarda bilgisayarlı görü çözümleri geliştirmek için pratik bir kaynak sağlar.