Ultralytics YOLO27:

Construction-PPE Veri Seti#

Construction-PPE Dataset In Colab

Ultralytics Construction-PPE veri seti, kişisel koruyucu ekipmanları — kasklar, eldivenler, yelekler, botlar ve gözlükler — tespit etmek ve inşaat sahalarındaki eksik ekipmanları işaretlemek için 11 sınıfta etiketlenmiş 1.416 görüntüden (eğitim için 1.132, doğrulama için 143 ve test için 141) oluşan bir nesne tespiti veri setidir. Gerçek inşaat ortamlarından derlenen veri seti, hem kurallara uygun hem de uygun olmayan durumları içerir ve iş yeri güvenliğini izleyen bilgisayarlı görü modellerini eğitmek için pratik bir kaynak sunar.



Watch: How to train Ultralytics YOLO on Personal Protective Equipment Dataset | VisionAI in Construction 👷

Veri Kümesi Yapısı#

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

BölümGörüntülerAçıklamalar
Eğit1,132Evet
Doğrulama143Evet
Test141Evet

Her görüntü Ultralytics YOLO formatında açıklanmıştır; bu sayede en gelişmiş nesne tespiti ve izleme işlem hatlarıyla uyumluluk sağlanır.

Veri seti, giyilen ekipmanları, eksik ekipmanları ve kişileri kapsayan 11 sınıf sunar:

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

Giyilen ve eksik ekipman etiketlerinin birlikte kullanılması, modelin hem doğru şekilde giyilen ekipmanları tespit etmesini hem de güvenlik ihlallerini işaretlemesini sağlar. vest için özel bir eksik yelek etiketi olmadığını unutma.

İş Değeri#

İnşaat, en tehlikeli sektörlerden biridir ve sorun genellikle düzenlemelerin eksikliğinden çok uygulanmasıdır. İş sağlığı ve güvenliği ekipleri sınırlı kaynaklara sahiptir ve yoğun, sürekli değişen bir sahanın her köşesini gerçek zamanlı olarak izleyemez.

Bilgisayarlı görü tabanlı PPE tespiti bu açığı kapatmaya yardımcı olur. Çalışanların gerekli kaskları, yelekleri ve diğer ekipmanları takıp takmadığını otomatik olarak kontrol ederek güvenlik kurallarını sahalar genelinde tutarlı biçimde uygular ve riskin öncü göstergelerini ortaya çıkarır — olaylar gerçekleşmeden önce uyumluluk eğilimlerini görünür kılar. PPE tespiti, genellikle uygun güvenlik ekipmanı olmadan ilk ortaya çıkan kişiler olan yetkisiz saha girenlerini de işaretleyebilir.

Uygulamalar#

Construction-PPE, güvenliğe odaklanan çeşitli bilgisayarlı görü uygulamalarına güç verir:

  • Otomatik uyumluluk izleme: Yapay zekâ modellerini, çalışanların kask, yelek veya eldiven gibi gerekli güvenlik ekipmanlarını takıp takmadığını anında kontrol edecek şekilde eğiterek sahadaki riskleri azalt.
  • İş yeri güvenliği analitiği: PPE kullanımını zaman içinde izle, sık tekrarlanan ihlalleri tespit et ve güvenlik kültürünü geliştirmek için içgörüler oluştur.
  • Akıllı gözetim sistemleri: Tespit modellerini kameralara bağlayarak PPE eksik olduğunda gerçek zamanlı uyarılar gönder ve kazaları meydana gelmeden önce önle.
  • Robotik ve otonom sistemler: Dronların veya robotların geniş sahalarda PPE kontrolleri gerçekleştirmesini 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 seti sun.

Yerel altyapıyı yönetmeden bir PPE tespit modelini etiketlemek, eğitmek ve dağıtmak için tüm iş akışını tarayıcında Ultralytics Platform ile çalıştır.

Veri Kümesi YAML'i#

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

Kullanım#

Construction-PPE veri seti üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modeli eğitebilirsin. Aşağıdaki örnekler hızlıca başlamana yardımcı olur. Daha fazla seçenek ve gelişmiş yapılandırma için Eğitim kılavuzuna bak.

Eğitim Örneği
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)

Örnek Görüntüler ve Açıklamalar#

Veri seti, çeşitli ortamlar, aydınlatma koşulları ve duruşlarda inşaat işçilerini içerir. Hem kurallara uygun hem de kurallara uygun olmayan durumlara yer verilmiştir.

Güvenlik ekipmanı tespiti içeren Construction-PPE veri seti örneği

Lisans ve Atıf#

Construction-PPE, uygun atıfla açık kaynak araştırmalarını ve ticari uygulamaları destekleyen AGPL-3.0 Lisansı kapsamında geliştirilmiş ve yayımlanmıştır.

Bu veri setini araştırmanda kullanırsan lütfen atıf yap:

Alıntı
@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}
}

SSS#

  • Genel inşaat veri setlerinin aksine Construction-PPE, eksik ekipman sınıflarını (no_helmet, no_gloves, no_boots, no_goggle) açıkça içerir. Bu çift etiketleme yaklaşımı, modelin yalnızca giyilen PPE'yi tespit etmesini değil, aynı zamanda ihlalleri gerçek zamanlı olarak işaretlemesini sağlar.

  • Construction-PPE veri setinde 11 sınıf bulunur: beş giyilen PPE öğesi (helmet, gloves, vest, boots, goggles), dört eksik PPE etiketi (no_helmet, no_gloves, no_boots, no_goggle), ayrıca Person ve genel bir none sınıfı. vest için özel bir eksik yelek etiketi olmadığını unutma.

  • Construction-PPE veri seti, 11 sınıfa yayılmış 1.416 görüntü içerir — eğitim için 1.132, doğrulama için 143 ve test için 141. Bölümlerin ve sınıfların tam dağılımı için Veri Seti Yapısı bölümüne bak.

  • Veri seti (178,4 MB), data="construction-ppe.yaml" ile ilk eğitim yaptığında otomatik olarak indirilir — manuel işlem gerekmez. Ultralytics veri setini alır ve yerel veri setleri dizinine açar. İlgili veri setlerine tespit veri setlerine genel bakış sayfasından göz atabilirsin.

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

    Eğitim Örneği
    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)
  • Evet. Görüntüler, farklı koşullar altındaki gerçek inşaat sahalarından derlenmiştir; bu da veri setini dağıtılabilir iş yeri güvenliği izleme sistemleri oluşturmak için son derece etkili kılar.

  • Veri seti, kişisel koruyucu ekipmanların gerçek zamanlı tespitini mümkün kılarak inşaat sahalarındaki çalışan güvenliğinin izlenmesine yardımcı olur. Hem giyilen hem de eksik ekipman sınıflarıyla, güvenlik ihlallerini otomatik olarak işaretleyebilen, uyumluluk içgörüleri oluşturabilen ve riskleri azaltabilen yapay zekâ sistemlerini destekler. Ayrıca iş yeri güvenliği, robotik ve akademik araştırmalarda bilgisayarlı görü çözümleri geliştirmek için pratik bir kaynak sunar.

Yorumlar