Construction-PPE Veri Seti

Construction-PPE veri seti, baret, yelek, eldiven, bot ve gözlük gibi temel koruyucu ekipmanların tespitini sağlayarak ve eksik ekipmanlara yönelik açıklamalar ekleyerek şantiyelerde güvenlik uyumluluğunu iyileştirmek için tasarlanmıştır. Gerçek inşaat ortamlarından derlenen bu set, hem uyumlu hem de uyumsuz durumları içerir ve iş yeri güvenliğini izleyen yapay zeka modellerini eğitmek için değerli bir kaynaktır.

Veri Kümesi Yapısı

Construction-PPE veri seti üç ana alt kümeye ayrılmıştır:

• Eğitim Seti: Eksiksiz ve kısmi KKD kullanımı olan işçilerin yer aldığı, açıklamalı inşaat görüntülerinden oluşan temel koleksiyon.
• Doğrulama Seti: KKD tespiti ve uyumluluk izleme sırasında model performansını ince ayar yapmak ve değerlendirmek için kullanılan belirlenmiş bir alt küme.
• Test Seti: Nihai modelin KKD tespitindeki ve uyumluluk sorunlarını belirlemedeki etkinliğini değerlendirmek için ayrılmış bağımsız bir alt küme.

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

Veri seti, pozitif (takılan KKD) ve negatif (eksik KKD) kategorilerine ayrılmış 11 sınıf sunar. Bu çift yönlü pozitif/negatif yapı, modellerin düzgün takılan ekipmanları tespit etmesini ve güvenlik ihlallerini tanımlamasını sağlar.

İş Değeri

• İnşaat sektörü, dünyadaki en tehlikeli endüstrilerden biri olmaya devam ediyor; İngiltere'de 2023/2024 yılında işle ilgili ölümcül yaralanmaların 123'ünden 51'inden fazlası inşaatta meydana geldi. Ancak sorun artık düzenleme eksikliği değil; inşaat işçilerinin %42'si süreçlere her zaman uymadıklarını itiraf ediyor.
• İnşaat sektörü halihazırda kapsamlı bir sağlık ve güvenlik (HSE) standartları çerçevesiyle yönetiliyor, ancak HSE ekipleri tutarlı uygulama konusunda zorluk yaşıyor. HSE ekipleri genellikle evrak işleri ve denetimlerle uğraşmaktan, yoğun ve sürekli değişen bir ortamın her köşesini gerçek zamanlı olarak izleme yeteneğinden yoksun kalarak fazla çalıştırılıyor.
• İşte burada bilgisayarlı görü tabanlı kişisel koruyucu ekipman (KKD) tespiti paha biçilmez hale geliyor. İşçilerin baret, yelek ve diğer kişisel koruyucu ekipmanları giyip giymediğini otomatik olarak kontrol ederek, HSE kurallarının sadece mevcut olmasını değil, aynı zamanda tüm sahalarda etkili ve tutarlı bir şekilde uygulanmasını sağlayabilirsin. Uyumluluğun ötesinde, bilgisayarlı görü, ekiplerin güvenlik uygulamalarını ne kadar iyi takip ettiğini ortaya çıkararak riskin öncü göstergelerini sunar ve kuruluşların uyumluluktaki düşüş eğilimlerini tespit ederek olaylar gerçekleşmeden önce önlem almalarını sağlar.
• Bonus olarak, kişisel koruyucu ekipman tespiti aynı zamanda yetkisiz saha girişlerini de tanımlayabilir, çünkü uygun güvenlik ekipmanı kuşanmamış olanlar bildirim tetikleyen ilk kişilerdir. Nihayetinde KKD tespiti, tam bir denetim, uygulanabilir içgörüler ve standart raporlama sağlayan, inşaat firmalarının riski azaltmasını, işçileri korumasını ve projelerini güvence altına almasını sağlayan basit ama güçlü bir bilgisayarlı görü kullanım durumudur.

Uygulamalar

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

• Otomatik uyumluluk izleme: İşçilerin baret, yelek veya eldiven gibi gerekli güvenlik ekipmanlarını giyip giymediklerini anında kontrol etmek için yapay zeka modelleri eğiterek sahadaki riskleri azalt.
• İş yeri güvenlik analitiği: KKD kullanımını zaman içinde takip et, sık görülen ihlalleri tespit et 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: İnsansız hava araçlarının veya robotların büyük sahalarda KKD kontrolleri yapmasını sağlayarak daha hızlı ve daha güvenli denetimleri destekle.
• Araştırma ve eğitim: İş yeri güvenliğini ve insan-nesne etkileşimlerini araştıran öğrenciler ve araştırmacılar için gerçek dünya veri seti sağla.

Veri Kümesi YAML Dosyası

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

Construction-PPE veri seti üzerinde 640 görüntü boyutu ile 100 epoch boyunca bir YOLO26n modeli eğitebilirsin. Aşağıdaki örnekler hızlı bir şekilde nasıl 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)

Örnek Görüntüler ve Ek Açıklamalar

Veri seti, çeşitli ortamlarda, aydınlatma koşullarında ve duruşlarda inşaat işçilerini yakalar. Hem uyumlu hem de uyumsuz durumlar dahildir.

Lisans ve Atıf

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

Bu veri setini araştırmanda kullanırsan lütfen şu şekilde 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 setini benzersiz kılan nedir?

Genel inşaat veri setlerinin aksine, Construction-PPE açıkça eksik ekipman sınıflarını içerir. Bu ikili etiketleme yaklaşımı, modellerin sadece KKD'yi tespit etmesini değil, aynı zamanda ihlalleri gerçek zamanlı olarak işaretlemesini sağlar.

Hangi nesne kategorileri dahil edilmiştir?

Veri seti; baretleri, yelekleri, eldivenleri, botları, gözlükleri ve işçileri, bunların "eksik KKD" karşılıklarıyla birlikte kapsar. Bu, kapsamlı bir uyumluluk kapsamı sağlar.

Construction-PPE veri setini kullanarak nasıl bir YOLO modeli eğitebilirim?

Construction-PPE veri setini kullanarak bir YOLO26 modeli 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 seti gerçek dünya uygulamaları için uygun mu?

Evet. Görüntüler, gerçek şantiyelerden çeşitli koşullar altında derlenmiştir. Bu, onu dağıtılabilir iş yeri güvenlik izleme sistemleri oluşturmak için oldukça etkili kılar.

Yapay zeka projelerinde Construction-PPE veri setini kullanmanın faydaları nelerdir?

Veri seti, kişisel koruyucu ekipmanın gerçek zamanlı tespitini sağlayarak şantiyelerdeki işçi güvenliğini izlemeye yardımcı olur. Hem takılan hem de eksik ekipman sınıflarıyla, güvenlik ihlallerini otomatik olarak işaretleyebilen, uyumluluk içgörüleri üretebilen ve riskleri azaltabilen yapay zeka sistemlerini destekler. Ayrıca iş yeri güvenliği, robotik ve akademik araştırmalarda bilgisayarlı görü çözümleri geliştirmek için pratik bir kaynak sağlar.