Construction-PPE Veri Kümesi#

Ultralytics Construction-PPE veri seti, şantiye alanlarında kişisel koruyucu ekipmanları — baretler, eldivenler, yelekler, botlar ve gözlükler — tespit etmek ve eksik ekipmanları işaretlemek üzere 11 sınıf altında etiketlenmiş 1.416 görselden (eğitim için 1.132, doğrulama için 143 ve test için 141) oluşan bir object detection veri setidir. Gerçek şantiye ortamlarından derlenen bu veri seti, hem kurallara uygun hem de uygun olmayan durumları içerir ve bu sayede iş yeri güvenliğini izleyen computer vision modellerini eğitmek için pratik bir kaynaktır.

Veri Kümesi Yapısı#

construction-ppe.yaml yapılandırmasıyla tanımlanan Construction-PPE veri seti, önceden belirlenmiş üç alt sete bölünmüş 1.416 görsel içerir:

Her görsel, en son teknoloji ürünü nesne algılama ve izleme boru hatlarıyla uyumluluğu sağlayacak şekilde Ultralytics YOLO formatında etiketlenmiştir.

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

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

Giyilen ve eksik etiketleri eşleştirmek, bir modelin hem uygun şekilde giyilen ekipmanı tespit etmesini hem de güvenlik ihlallerini işaretlemesini sağlar. vest için özel bir eksik yelek etiketinin bulunmadığını unutma.

Ticari 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.

Uygulamalar#

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

Veri Kümesi YAML#

Construction-PPE veri seti; eğitim, doğrulama ve test görsel yollarını ve nesne sınıflarının tam listesini tanımlayan bir YAML yapılandırma dosyası içerir. construction-ppe.yaml dosyasına doğrudan buradaki Ultralytics deposundan 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

Kullanım#

Bir YOLO26n modelini Construction-PPE veri setinde 640 görsel boyutuyla 100 epoch boyunca eğitebilirsin. Aşağıdaki örnekler hızlı bir şekilde başlamanı sağlar. Daha fazla seçenek ve gelişmiş yapılandırmalar için Training guide sayfasına göz at.

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 Ek Açıklamalar#

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

Lisans ve Atıf#

Construction-PPE, uygun atıfla açık kaynaklı araştırmaları ve ticari uygulamaları destekleyen AGPL-3.0 License 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}
}

SSS#

Construction-PPE veri kümesini benzersiz kılan nedir?#

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

Hangi nesne kategorileri dahildir?#

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 etiketinin bulunmadığını unutma.

Construction-PPE veri setinde kaç görüntü ve sınıf var?#

Construction-PPE veri seti, 11 sınıf altında 1.416 görsel içerir — eğitim için 1.132, doğrulama için 143 ve test için 141. Bölünmelerin ve sınıf dağılımının tamamı için Dataset Structure bölümüne bakın.

Construction-PPE veri setini nasıl indirebilirim?#

data="construction-ppe.yaml" ile ilk kez eğitim yaptığında veri seti (178,4 MB) otomatik olarak indirilir — manuel bir adım gerekmez. Ultralytics, bunu indirip yerel veri seti dizinine çıkartır. İlgili veri setlerine detection datasets overview sayfasından göz atabilirsin.

Construction-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)

Bu 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.

Construction-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.