Chuyển đến nội dung

Bộ dữ liệu Construction-PPE

Bộ dữ liệu PPE xây dựng trong Colab

Bộ dữ liệu Construction-PPE được thiết kế để cải thiện việc tuân thủ an toàn tại các công trường xây dựng bằng cách cho phép phát hiện các thiết bị bảo hộ thiết yếu như mũ bảo hiểm, áo vest, găng tay, ủng và kính bảo hộ, cùng với các chú thích cho thiết bị bị thiếu. Được tuyển chọn từ môi trường xây dựng thực tế, nó bao gồm cả các trường hợp tuân thủ và không tuân thủ, làm cho nó trở thành một nguồn tài nguyên có giá trị để đào tạo các mô hình AI giám sát an toàn nơi làm việc.

Cấu trúc bộ dữ liệu

Bộ dữ liệu Construction-PPE được tổ chức thành ba tập hợp con chính:

  • Tập huấn luyện: Bộ sưu tập chính gồm các hình ảnh xây dựng được chú thích có công nhân với việc sử dụng PPE đầy đủ và một phần.
  • Tập xác thực: Một tập hợp con được chỉ định được sử dụng để tinh chỉnh và đánh giá hiệu suất của mô hình trong quá trình phát hiện PPE và giám sát tuân thủ.
  • Tập kiểm tra: Một tập hợp con độc lập được dành riêng để đánh giá hiệu quả của mô hình cuối cùng trong việc phát hiện PPE và xác định các vấn đề tuân thủ.

Mỗi hình ảnh được chú thích ở định dạng Ultralytics YOLO, đảm bảo khả năng tương thích với các quy trình phát hiện đối tượngtheo dõi hiện đại.

Bộ dữ liệu cung cấp 11 lớp được chia thành các danh mục dương tính (PPE được đeo) và âm tính (PPE bị thiếu). Cấu trúc dương tính/âm tính kép này cho phép các mô hình phát hiện thiết bị được đeo đúng cách xác định các vi phạm an toàn.

Giá trị kinh doanh

  • Xây dựng vẫn là một trong những ngành nguy hiểm nhất trên thế giới, với hơn 51 trong số 123 tai nạn gây tử vong liên quan đến công việc ở Vương quốc Anh trong năm 2023/2024 xảy ra trong lĩnh vực xây dựng. Tuy nhiên, vấn đề không còn là thiếu quy định khi 42% công nhân xây dựng thừa nhận không phải lúc nào cũng tuân thủ quy trình.
  • Xây dựng vốn đã được điều chỉnh bởi một khuôn khổ tiêu chuẩn sức khỏe và an toàn (HSE) rộng rãi, nhưng các nhóm HSE đang gặp khó khăn trong việc thực thi nhất quán. Các nhóm HSE thường bị dàn trải mỏng, phải cân bằng giữa thủ tục giấy tờ và kiểm toán, đồng thời thiếu khả năng giám sát mọi ngóc ngách của một môi trường bận rộn và luôn thay đổi trong thời gian thực.
  • Đây là lúc khả năng phát hiện thiết bị bảo vệ cá nhân (PPE) dựa trên thị giác máy tính trở nên vô giá. Bằng cách tự động kiểm tra xem công nhân có đang đội mũ bảo hiểm, áo vest và các thiết bị bảo vệ cá nhân khác hay không, bạn có thể đảm bảo các quy tắc HSE không chỉ hiện diện mà còn được thực thi hiệu quả một cách nhất quán trên tất cả các công trường. Vượt xa sự tuân thủ, thị giác máy tính cung cấp các chỉ số hàng đầu về rủi ro bằng cách tiết lộ mức độ tuân thủ các biện pháp an toàn của đội ngũ, cho phép các tổ chức phát hiện các xu hướng tuân thủ giảm và ngăn ngừa các sự cố trước khi chúng xảy ra.
  • Thêm vào đó, việc phát hiện thiết bị bảo vệ cá nhân cũng được biết đến là có thể xác định những kẻ xâm nhập trái phép vào công trường, vì những người không được trang bị thiết bị an toàn phù hợp là những người đầu tiên kích hoạt thông báo. Cuối cùng, phát hiện PPE là một trường hợp sử dụng thị giác máy tính đơn giản nhưng mạnh mẽ, mang lại sự giám sát đầy đủ, thông tin chi tiết hữu ích và báo cáo tiêu chuẩn, trao quyền cho các công ty xây dựng giảm thiểu rủi ro, bảo vệ người lao động và bảo vệ các dự án của họ.

Các ứng dụng

Construction-PPE cung cấp sức mạnh cho nhiều ứng dụng thị giác máy tính tập trung vào an toàn:

  • Giám sát tuân thủ tự động: Đào tạo các mô hình AI để kiểm tra ngay lập tức xem công nhân có đang đeo thiết bị an toàn cần thiết như mũ bảo hiểm, áo vest hoặc găng tay hay không, giảm rủi ro tại chỗ.
  • Phân tích an toàn nơi làm việc: Theo dõi việc sử dụng PPE theo thời gian, phát hiện các vi phạm thường xuyên và tạo thông tin chi tiết để cải thiện văn hóa an toàn.
  • Hệ thống giám sát thông minh: Kết nối các mô hình phát hiện với máy ảnh để gửi cảnh báo theo thời gian thực khi PPE bị thiếu, ngăn ngừa tai nạn trước khi chúng xảy ra.
  • Robot và hệ thống tự động: Cho phép máy bay không người lái hoặc robot thực hiện kiểm tra PPE trên các địa điểm lớn, hỗ trợ kiểm tra nhanh hơn và an toàn hơn.
  • Nghiên cứu và giáo dục: Cung cấp một bộ dữ liệu thực tế cho sinh viên và nhà nghiên cứu khám phá an toàn nơi làm việc và tương tác giữa người và vật thể.

YAML bộ dữ liệu

Bộ dữ liệu Construction-PPE bao gồm một tệp cấu hình YAML xác định đường dẫn hình ảnh huấn luyện và xác thực cùng với danh sách đầy đủ các lớp đối tượng. Bạn có thể truy cập construction-ppe.yaml tệp trực tiếp trong kho lưu trữ Ultralytics tại đây: 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

Cách sử dụng

Bạn có thể huấn luyện mô hình YOLO11n trên bộ dữ liệu Construction-PPE trong 100 epochs với kích thước hình ảnh là 640. Các ví dụ sau đây cho thấy cách bắt đầu nhanh chóng. Để biết thêm các tùy chọn và cấu hình nâng cao, hãy xem Hướng dẫn huấn luyện.

Ví dụ huấn luyện

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

Ảnh và Chú thích mẫu

Bộ dữ liệu ghi lại hình ảnh công nhân xây dựng trong nhiều môi trường, điều kiện ánh sáng và tư thế khác nhau. Cả hai trường hợp tuân thủkhông tuân thủ đều được đưa vào.

Hình ảnh mẫu bộ dữ liệu Construction-PPE, hiển thị khả năng phát hiện thiết bị an toàn tuân thủ và không tuân thủ

Giấy phép và Ghi công

Construction-PPE được phát triển và phát hành theo Giấy phép AGPL-3.0, hỗ trợ nghiên cứu mã nguồn mở và các ứng dụng thương mại với sự ghi nhận phù hợp.

Nếu bạn sử dụng bộ dữ liệu này trong nghiên cứu của mình, vui lòng trích dẫn nó:

@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}
}

Câu hỏi thường gặp

Điều gì làm cho bộ dữ liệu Construction-PPE trở nên độc đáo?

Không giống như các bộ dữ liệu xây dựng thông thường, Construction-PPE đặc biệt bao gồm các lớp thiết bị bị thiếu. Cách tiếp cận gắn nhãn kép này cho phép các mô hình không chỉ phát hiện PPE mà còn gắn cờ các vi phạm theo thời gian thực.

Những danh mục đối tượng nào được bao gồm?

Bộ dữ liệu bao gồm mũ bảo hiểm, áo vest, găng tay, ủng, kính bảo hộ và công nhân, cùng với các đối tượng tương ứng “PPE bị thiếu” của chúng. Điều này đảm bảo phạm vi tuân thủ toàn diện.

Làm thế nào để huấn luyện mô hình YOLO bằng bộ dữ liệu Construction-PPE?

Để huấn luyện mô hình YOLO11 bằng bộ dữ liệu Construction-PPE, bạn có thể sử dụng các đoạn mã sau:

Ví dụ huấn luyện

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

Bộ dữ liệu này có phù hợp cho các ứng dụng thực tế không?

Có. Hình ảnh được tuyển chọn từ các công trường xây dựng thực tế trong các điều kiện khác nhau. Điều này làm cho nó có hiệu quả cao trong việc xây dựng các hệ thống giám sát an toàn nơi làm việc có thể triển khai được.

Những lợi ích của việc sử dụng bộ dữ liệu Construction-PPE trong các dự án AI là gì?

Bộ dữ liệu cho phép phát hiện thiết bị bảo vệ cá nhân trong thời gian thực, giúp theo dõi sự an toàn của công nhân tại các công trường xây dựng. Với các lớp cho cả thiết bị được đeo và bị thiếu, nó hỗ trợ các hệ thống AI có thể tự động gắn cờ các vi phạm an toàn, tạo thông tin chi tiết về tuân thủ và giảm rủi ro. Nó cũng cung cấp một nguồn tài nguyên thiết thực để phát triển các giải pháp thị giác máy tính trong an toàn nơi làm việc, robot và nghiên cứu học thuật.



📅 Được tạo cách đây 23 ngày ✏️ Đã cập nhật cách đây 0 ngày

Bình luận