اكتشاف معدات الوقاية الشخصية المفقودة: درّب Ultralytics YOLO على Construction-PPE

لاكتشاف معدات الوقاية الشخصية المفقودة بموثوقية، لا تسم سوى ما تستطيع الكاميرا رؤيته. في مجموعة بيانات Construction-PPE الجديدة من Ultralytics، لا يُعد الرأس المخفي خلف عارضة فولاذية خوذةً مفقودة. يُرسم مربع no_helmet حول الرأس الذي يمكن رؤيته فعليًا ولا يرتدي خوذة، بينما لا يُمنح الرأس المحجوب أو الواقع خارج إطار الصورة أي وسم للمعدات المفقودة.

أصدرنا مجموعة البيانات في 3 نوفمبر 2026، ضمن Ultralytics 8.4.200: تضم 1,000 صورة و12 فئة و14,863 مربع إحاطة تمت مراجعتها للأشخاص والرافعات الشوكية ومعدات الوقاية والمعدات المفقودة الظاهرة، مع ترخيص الصور والتعليقات التوضيحية بموجب CC BY 4.0. وتشمل فئاتها no_vest مخصصة وforklift، وقد راجع فريق Ultralytics التعليقات التوضيحية. يشرح هذا الدليل محتويات مجموعة البيانات، وآلية عمل قواعد وسم معدات الوقاية الشخصية المفقودة، وكيفية تدريب نموذج Ultralytics YOLO26 والتحقق منه ونشره عليها.

Construction-PPE مجموعة بيانات مراجعة لاكتشاف معدات الوقاية الشخصية تضم 12 فئة#

Construction-PPE مجموعة بيانات أصلية لـاكتشاف الكائنات في مواقع البناء والمنشآت الصناعية، أنشأها فريق Ultralytics وأتاحها مفتوحة المصدر في نوفمبر 2026. تغطي صورها مواقع البناء والورش والمستودعات ومناطق التحميل وأعمال الصيانة، وتتنوع فيها زوايا التصوير والإضاءة وترتيبات العمال وأنشطة الرافعات الشوكية. وقد صُممت لتعليم الكاشف شكل معدات الوقاية وما يبدو عليه غيابها عندما يكون ظاهرًا.

فيما يلي المعلومات المهمة قبل التدريب، وفقًا لوثائق مجموعة بيانات Construction-PPE:

• الحجم: 1,000 صورة و14,863 مربع إحاطة موزعة على 12 فئة
• التقسيم: تقسيم ثابت للتدريب والتحقق بنسبة 800/200، دون مجموعة اختبار منفصلة
• التنسيق: مربعات إحاطة بتنسيق Ultralytics YOLO، جاهزة للتدريب دون تحويل
• الصور: صور جمعها أشخاص وصور مولّدة، بتكوينات أفقية وعمودية ومربعة ودقات متنوعة
• التعليقات التوضيحية: تعليقات توضيحية بشرية متخصصة، تجمع بين الوسم التلقائي بالذكاء الاصطناعي، أنجزها فريق Ultralytics في نوفمبر 2026
• الترخيص: الصور والتعليقات التوضيحية بموجب المشاع الإبداعي نَسب المُصنَّف 4.0 دولي، الذي يسمح بالاستخدام التجاري مع الإسناد

الصور المولّدة ليست صورًا فوتوغرافية لأحداث واقعية، لذا يجب إجراء الاختبار النهائي لأي نموذج مُدرَّب عليها باستخدام لقطات من كاميراتك.

يمكنك استعراض كل صورة وتعليق توضيحي على Ultralytics Platform، واستنساخ مجموعة البيانات إلى مساحة عملك، أو التدريب عليها مباشرةً.

لكل فئة من فئات معدات الوقاية الشخصية فئة مقابلة للمعدات المفقودة#

تندرج الفئات الاثنتا عشرة ضمن ثلاث مجموعات: خمس فئات للمعدات، وخمس فئات للمعدات المفقودة، وفئتان للأشخاص والمركبات التي تتحرك في الموقع. تتطابق المعرّفات أدناه مع التعليقات التوضيحية وconstruction-ppe.yaml:

لكل فئة معدات فئة مقابلة تحمل وصف «مفقود». يمنح هذا الاقتران النموذج أمثلة مباشرة على شكل غياب المعدات، ليتمكن من تحديد رأس مكشوف أو جذع بلا سترة على أنه كشف مستقل بدلًا من ترك استنتاج الغياب لشيفرتك بسبب عدم وجود مربع.

وسوم معدات الوقاية الشخصية المفقودة تحدد أجزاء الجسم الظاهرة، لا الافتراضات#

تحتاج فئات المعدات المفقودة إلى تعريف دقيق. فإذا رسم المعلّقون مربعات حول كل رأس لا يستطيعون رؤية خوذة عليه، بما في ذلك الرؤوس المخفية خلف العوارض أو المقطوعة عند حافة الإطار، فسيتعلم النموذج أن الحجب بحد ذاته يعني وجود مخالفة.

تطبق Construction-PPE قاعدة موحدة على فئات المعدات المفقودة الخمس كلها: يحدد مربع المعدات المفقودة منطقة الجسم الظاهرة التي يُفترض وجود المعدة فيها، ولا يثبت حجب جزء من الجسم أو وقوعه خارج الإطار بحد ذاته غياب المعدة. عمليًا:

• يوضع مربع no_helmet حول رأس يمكنك رؤيته ولا يرتدي خوذة.
• يوضع مربع no_gloves حول يد مكشوفة ظاهرة، لا حول يد مخفية خلف صندوق أدوات.
• يوضع مربع no_vest حول جذع ظاهر بلا ملابس عالية الوضوح.
• يوضع مربع no_boots حول قدم أو حذاء ظاهر ليس حذاء عمل واقيًا.
• يوضع مربع no_goggle حول منطقة عين ظاهرة بلا نظارات واقية.
• تُرسم مربعات فئات المعدات حول المعدة الظاهرة نفسها، لذا تُحدَّد السترة بمربع، والشخص الذي يرتديها بمربع آخر.

على اليسار، يقع رأس العامل خلف اللوح الخشبي الرقائقي الذي يحمله، لذا لا تشير الوسوم إلى وجود خوذة أو غيابها. وعلى اليمين، يُحدَّد كل من الرأس المكشوف الظاهر والجذع الظاهر بلا ملابس عالية الوضوح بمربعات للمعدات المفقودة.

تكتسب وسم البيانات أهمية تتجاوز هذه المجموعة. إذا أضفت صورًا من كاميراتك إلى Construction-PPE، فوسمها وفق القاعدة نفسها، وإلا فسيتلقى النموذج إجابتين متعارضتين عن السؤال نفسه. يوضح درس الأكاديمية حول أفضل ممارسات التعليقات التوضيحية كيفية صياغة هذه القواعد في دليل للوسم، وسبب قدرة المراجعة البشرية ضمن حلقة العمل على اكتشاف الحالات التي تفوتها الأتمتة.

تُدخل فئتا forklift وno_vest مناطق المركبات في النموذج نفسه#

تتعلق قواعد كثيرة في الموقع بمشاركة الأشخاص والمركبات للمساحة، لا بالمعدات المفقودة فحسب. تضع فئة forklift المركبات والعمال ضمن الكاشف نفسه، ليتمكن نموذج YOLO26 واحد من إرجاع رافعة شوكية والأشخاص القريبين منها والجذوع الظاهرة بلا ملابس عالية الوضوح في استدلال واحد.

بفضل فئة no_vest المخصصة، يستطيع النموذج المدرّب على Construction-PPE إرجاع مربعات forklift وPerson وno_vest لمنطقة تحميل في استدلال واحد.

يُعد ربط هذه المربعات بحدث ما من منطق التطبيق: مطابقة كل مربع no_vest مع الشخص المناسب، وتحديد ما يُعد «قريبًا» من الرافعة الشوكية، وضبط مدة استمرار الحالة. إذا أردت قياس القرب، يحسب دليل حساب المسافة مسافة البكسل بين مراكز المربعات المحددة؛ وتتطلب المسافات الواقعية معايرة الكاميرا.

درّب YOLO26 على Construction-PPE في بضعة أسطر#

ابدأ بحزمة Python من Ultralytics. ينزّل YOLO أرشيف مجموعة البيانات ويفك ضغطه عند الاستخدام لأول مرة.

from ultralytics import YOLO

# ⁨ابدأ بنموذج YOLO26 nano مدرّب مسبقًا على COCO⁩
model = YOLO("yolo26n.pt")

# ⁨درّب على أرشيف Construction-PPE⁩
model.train(
    data="https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip",
    epochs=100,
    imgsz=640,
)

ومكافئ CLI هو سطر واحد:

yolo detect train model=yolo26n.pt data=https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip epochs=100 imgsz=640

يُعد نموذج YOLO26n خيارًا مناسبًا للتشغيل الأول للتحقق من مسار العمل. تُعد القفازات والنظارات الواقية والأحذية أجسامًا صغيرة عند مسافات كاميرات الموقع، لذا قارن بحجم أكبر مثل YOLO26s أو YOLO26m قبل اعتماد الخيار؛ وتغطي وثائق التدريب حجم الصورة وحجم الدفعة وكل وسيطة أخرى. وتنشر Ultralytics أيضًا دفتر Colab لمجموعة Construction-PPE إذا كنت تفضل استخدام GPU مجاني في المتصفح.

تفضّل عدم كتابة شيفرة؟ درّب النموذج على Ultralytics Platform#

على Ultralytics Platform، افتح مجموعة بيانات Construction-PPE وابدأ التدريب السحابي باستخدام نموذج YOLO26، واختر عدد العصور وحجم الصورة وGPU من المتصفح. يتتبع Platform منحنيات الخسارة والدقة والاستدعاء وmAP لكل عصر، ويتيح مقارنة عمليات التشغيل جنبًا إلى جنب. لإضافة صور كاميراتك، استنسخ مجموعة البيانات من Explore (راجع دليل Explore في Ultralytics Platform)، ثم ارفع الصور ووسمها في محرر التعليقات التوضيحية، حيث يمكن لـ Smart Annotation إعداد مسودات للمربعات لمراجعتها.

قيّم النموذج لكل فئة، لا وفق متوسط واحد#

يخفي رقم mAP واحد معلومات تحتاج إليها فرق السلامة. قد يحقق النموذج نتيجة إجمالية جيدة لأنه يكتشف الأشخاص والخوذات والسترات بموثوقية، بينما يفوّت معظم حالات no_gloves أو no_goggle. تحقّق من الأداء باستخدام مقاييس كل فئة:

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")
metrics = model.val()  # uses the dataset's 200-image validation split

print(f"mAP50: {metrics.box.map50:.3f}  mAP50-95: {metrics.box.map:.3f}")
for c in metrics.box.ap_class_index:
    print(f"{model.names[c]:>10}  mAP50-95: {metrics.box.maps[c]:.3f}")

ابدأ بصفوف المعدات المفقودة، وافتح مصفوفة الالتباس التي يحفظها التحقق. إذا التبس helmet بـno_helmet، أو نادرًا ما اكتُشفت إحدى فئات المعدات المفقودة، فافحص الصور التي لم تُكتشف وتحقق من عدد حالات هذه الفئة في مجموعة التدريب قبل تغيير أي شيء آخر. يشرح دليل مقاييس أداء YOLO كيفية قراءة كل مخطط.

تأتي صور التحقق البالغ عددها 200 من المجموعة نفسها التي جاءت منها مجموعة التدريب. قبل النشر، اجمع مجموعة مستقلة من الكاميرات التي ستستخدمها فعليًا، وتحقق من النموذج عليها أيضًا، واستخدمها لقياس الأداء في موقعك.

حوّل اكتشافات معدات الوقاية الشخصية المفقودة إلى أحداث قابلة للمراجعة#

بما أن المعدات المفقودة فئة مستقلة، يمكن أن تكون قاعدة المراجعة الأولى موجزة: أشر إلى أي إطار يحتوي على مربع لمعدات وقاية شخصية مفقودة تتجاوز ثقته حدًا معينًا.

from ultralytics import YOLO

MISSING = {"no_helmet", "no_goggle", "no_gloves", "no_boots", "no_vest"}

model = YOLO("runs/detect/train/weights/best.pt")
for r in model.predict("site_camera_frame.jpg", conf=0.4):
    for cls, conf in zip(r.boxes.cls.int().tolist(), r.boxes.conf.tolist()):
        if r.names[cls] in MISSING:
            print(f"Review: {r.names[cls]} ({conf:.2f})")

في الفيديو، استبدل predict بـtrack. يعيّن تتبّع الكائنات معرّفات للاكتشافات عبر الإطارات. بعد ذلك، يربط تطبيقك كل مربع لمعدات الوقاية الشخصية المفقودة بمسار شخص، مثلًا عبر التحقق من المربع Person الذي يحتويه، ثم يطبق قواعد الاستمرار والأحداث كي يرى المراجعون حدثًا واحدًا بدلًا من دفعة إطارات:

منذ Ultralytics 8.4.202، تستخدم التنبؤات المحفوظة من تدفقات RTSP وكاميرات الويب معدل إطارات كل تدفق على حدة، لذا تُعرض المقاطع المسجلة بالسرعة الصحيحة. عندما يصبح النموذج جاهزًا، صدّر النموذج إلى ONNX أو TensorRT أو OpenVINO أو تنسيق آخر لجهاز الحافة، أو انشره من Platform إلى نقطة نهاية مخصصة.

يبلّغ الكاشف عما تستطيع الكاميرا رؤيته. ولا يمكنه الحكم على اعتماد الخوذة أو تلف السترة، لذا أحِل الأحداث التي يرصدها إلى شخص مؤهل.

من ينبغي له استخدام Construction-PPE#

استخدم Construction-PPE نقطة انطلاق لاكتشاف أنواع معدات الوقاية الشخصية الخمسة وغيابها في مواقع البناء والورش والمستودعات ومناطق التحميل. وهي مناسبة إذا كنت تحتاج إلى:

• اكتشاف المعدات المفقودة، لا المعدات وحدها. تمنح الفئات الخمس المخصصة للمعدات المفقودة، والموسومة وفق قاعدة موحدة تستند إلى أجزاء الجسم الظاهرة، النموذج أمثلة مباشرة على غياب معدات الوقاية.
• الوعي بالمركبات والمشاة في نموذج واحد. تغطي forklift وPerson وno_vest معًا حالة منطقة التحميل.
• ترخيص واضح لمجموعة البيانات ووسوم جاهزة للتدريب. الصور والتعليقات التوضيحية مرخصة بموجب CC BY 4.0، الذي يسمح بالاستخدام التجاري مع الإسناد، كما أن الوسوم بتنسيق YOLO جاهزة لتدريب YOLO26 دون تحويل. وتخضع نماذج YOLO التي تدربها عليها لترخيص منفصل؛ راجع سؤال الترخيص أدناه.

إذا كان مشروعك يحتاج فقط إلى الخوذات الصلبة والسترات على نطاق واسع، تستضيف Ultralytics Platform أيضًا Safety Helmet and Reflective Jacket، التي تضم 10,138 صورة وفئتين. وللمهام المتعلقة بالخوذات وحدها، تضم Safety Helmet Detection 5,000 صورة موسومة بالفئات head وhelmet وperson. وللاطلاع على مسار العمل الكامل في الموقع، من تحديد القاعدة الأولى إلى مراقبة عملية النشر، اقرأ دليلنا حول اكتشاف معدات الوقاية الشخصية والسلامة في مكان العمل باستخدام Ultralytics.