Détection des EPI manquants : entraîne Ultralytics YOLO sur Construction-PPE

Pour détecter de manière fiable les EPI manquants, annote uniquement ce que la caméra peut voir. Dans le nouveau jeu de données Ultralytics Construction-PPE, une tête cachée derrière une poutre en acier ne signifie pas qu’un casque manque. Seule une tête réellement visible et sans casque reçoit une boîte no_helmet, tandis qu’une tête occultée ou hors champ ne reçoit aucune annotation d’équipement manquant.

Nous avons publié le jeu de données le 3 novembre 2026, dans Ultralytics 8.4.200 : 1 000 images, 12 classes et 14 863 boîtes englobantes vérifiées pour les personnes, les chariots élévateurs, les équipements de protection et les équipements manquants visibles. Les images et les annotations sont sous licence CC BY 4.0. Ses classes comprennent une classe dédiée no_vest et une classe forklift, et les annotations ont été vérifiées par l’équipe Ultralytics. Ce guide présente le contenu du jeu de données, le fonctionnement de ses règles d’annotation des EPI manquants, ainsi que la manière d’entraîner, de valider et de déployer un modèle Ultralytics YOLO26 à partir de celui-ci.

Construction-PPE est un jeu de données vérifié pour la détection des EPI, composé de 12 classes#

Construction-PPE est un jeu de données original de détection d’objets destiné aux chantiers de construction et aux sites industriels. Créé et publié en open source par l’équipe Ultralytics en novembre 2026, il contient des images de chantiers, d’ateliers, d’entrepôts, de zones de chargement et de travaux de maintenance, avec une grande variété de points de vue, d’éclairages, de configurations de travailleurs et d’activités de chariots élévateurs. Il est conçu pour apprendre à un détecteur à reconnaître à la fois l’apparence des équipements de protection et leur absence visible.

Voici les informations importantes à connaître avant l’entraînement, tirées de la documentation du jeu de données Construction-PPE :

• Taille : 1 000 images et 14 863 boîtes englobantes réparties sur 12 classes
• Répartition : séparation fixe 800/200 pour l’entraînement et la validation, sans ensemble de test distinct
• Format : boîtes englobantes au format Ultralytics YOLO, prêtes pour l’entraînement sans conversion
• Images : images collectées par des personnes et images générées, en format paysage, portrait et carré, avec des résolutions variées
• Annotation : annotations réalisées par des experts et combinées à des annotations automatiques par IA, achevées en novembre 2026 par l’équipe Ultralytics
• Licence : images et annotations sous Creative Commons Attribution 4.0 International, qui autorise l’usage commercial avec attribution

Les images générées ne sont pas des photographies d’événements réels ; c’est pourquoi le test final de tout modèle entraîné sur ces données doit se faire sur des séquences filmées par tes propres caméras.

Tu peux parcourir toutes les images et annotations sur Ultralytics Platform, cloner le jeu de données dans ton espace de travail ou l’utiliser directement pour l’entraînement.

Chaque classe d’équipement a une classe correspondante pour l’équipement manquant#

Les 12 classes se répartissent en trois groupes : cinq classes d’équipements, cinq classes d’équipements manquants et deux classes pour les personnes et les véhicules présents sur un site. Les identifiants ci-dessous correspondent aux annotations et à construction-ppe.yaml :

Chaque classe d’équipement a une classe « manquant » correspondante. Cette association fournit au modèle des exemples directs de ce à quoi ressemble une absence : il peut ainsi signaler une tête nue ou un torse sans gilet comme une détection à part entière, au lieu de laisser ton code déduire l’absence à partir d’une boîte manquante.

Les annotations d’EPI manquants indiquent les parties du corps visibles, pas des suppositions#

Les classes d’équipements manquants nécessitent une définition précise. Si les annotateurs encadraient chaque tête sur laquelle ils ne voyaient pas de casque, y compris les têtes cachées derrière des poutres ou coupées par le bord de l’image, le modèle apprendrait que l’occultation signifie en soi une infraction.

Construction-PPE applique une règle cohérente aux cinq classes d’équipements manquants : une boîte d’équipement manquant indique la région visible du corps où l’équipement devrait se trouver ; une partie du corps occultée ou hors champ ne suffit pas, à elle seule, à établir qu’un équipement manque. En pratique :

• Une boîte no_helmet entoure une tête visible dépourvue de casque.
• Une boîte no_gloves entoure une main nue visible, pas une main cachée derrière une boîte à outils.
• Une boîte no_vest entoure un torse visible sans vêtement haute visibilité.
• Une boîte no_boots entoure un pied ou une chaussure visible qui n’est pas une chaussure de protection.
• Une boîte no_goggle entoure une région des yeux visible sans lunettes de protection.
• Les classes d’équipement encadrent l’objet visible lui-même : un gilet reçoit une boîte et la personne qui le porte en reçoit une autre.

À gauche, la tête du travailleur est cachée derrière la plaque de contreplaqué qu’il transporte ; les annotations ne disent donc rien sur la présence ou l’absence d’un casque. À droite, une tête nue visible et un torse visible sans vêtement haute visibilité reçoivent tous deux une boîte d’équipement manquant.

C’est important pour l’étiquetage des données, au-delà de ce jeu de données. Si tu l’enrichis avec des images prises par tes propres caméras, applique la même règle pour éviter que le modèle reçoive deux réponses contradictoires à la même question. La leçon de notre Academy sur les bonnes pratiques d’annotation montre comment intégrer ce type de règle dans un guide d’annotation et explique pourquoi une vérification avec intervention humaine permet de repérer les cas manqués par l’automatisation.

Les classes forklift et no_vest intègrent les zones de circulation des véhicules au même modèle#

De nombreuses règles sur site concernent le partage de l’espace entre les personnes et les véhicules, et pas seulement les équipements manquants. La classe forklift intègre les véhicules et les travailleurs au même détecteur : un seul modèle YOLO26 peut donc détecter un chariot élévateur, les personnes à proximité et les torses visibles sans vêtement haute visibilité en un seul passage.

Avec une classe no_vest dédiée, un modèle entraîné sur Construction-PPE peut renvoyer en un seul passage des boîtes forklift, Person et no_vest pour une zone de chargement.

L’association de ces boîtes à un événement relève de la logique applicative : faire correspondre chaque boîte no_vest à la bonne personne, définir ce qui signifie « à proximité » du chariot élévateur et déterminer la durée pendant laquelle une situation doit persister. Si tu as besoin d’une mesure de proximité, le guide de calcul de distance calcule la distance en pixels entre les centres des boîtes sélectionnées ; les distances réelles nécessitent un étalonnage de la caméra.

Entraîne YOLO26 sur Construction-PPE en quelques lignes#

Commence avec le package Python Ultralytics. À la première utilisation, YOLO télécharge et extrait l’archive du jeu de données.

from ultralytics import YOLO

# Commence avec un modèle nano YOLO26 préentraîné sur COCO
model = YOLO("yolo26n.pt")

# Entraîne le modèle sur l’archive Construction-PPE
model.train(
    data="https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip",
    epochs=100,
    imgsz=640,
)

L’équivalent en CLI tient sur une ligne :

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

Le modèle YOLO26n est un bon choix pour une première exécution et pour vérifier le pipeline. Les gants, les lunettes et les bottes sont de petits objets à la distance des caméras de site : compare donc avec une taille supérieure, comme YOLO26s ou YOLO26m, avant de te décider ; la documentation sur l’entraînement présente la taille des images, la taille des lots et tous les autres paramètres. Ultralytics publie également un notebook Colab pour Construction-PPE si tu préfères utiliser gratuitement un GPU dans le navigateur.

Tu préfères éviter le code ? Entraîne le modèle sur Ultralytics Platform#

Sur Ultralytics Platform, ouvre le jeu de données Construction-PPE et lance l’entraînement dans le cloud avec un modèle YOLO26 ; choisis les époques, la taille des images et le GPU depuis le navigateur. Platform suit les courbes de perte, la précision, le rappel et le mAP à chaque époque, et te permet de comparer les exécutions côte à côte. Pour ajouter tes propres images de caméra, clone le jeu de données depuis Explore (consulte le guide Ultralytics Platform Explore), téléverse tes images et annote-les dans l’éditeur d’annotations, où Smart Annotation peut proposer des boîtes que tu pourras vérifier.

Évalue le modèle classe par classe, pas avec une seule moyenne#

Une seule valeur de mAP ne révèle pas ce que l’équipe chargée de la sécurité doit savoir. Un modèle peut obtenir un bon score global parce qu’il détecte bien les personnes, les casques et les gilets, tout en manquant la plupart des cas no_gloves ou no_goggle. Valide le modèle à l’aide de métriques par classe :

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}")

Commence par examiner les lignes correspondant aux équipements manquants et ouvre la matrice de confusion générée lors de la validation. Si helmet et no_helmet sont confondus, ou si une classe d’équipement manquant est rarement détectée, examine les images manquées et vérifie le nombre d’instances de cette classe dans l’ensemble d’entraînement avant de modifier quoi que ce soit d’autre. Le guide des métriques de performance YOLO explique comment lire chaque graphique.

Les 200 images de validation proviennent de la même collection que l’ensemble d’entraînement. Avant le déploiement, collecte un jeu indépendant à partir des caméras que tu utiliseras réellement, valide aussi le modèle sur ce jeu et utilise-le pour mesurer les performances sur ton site.

Transforme les détections d’EPI manquants en événements pouvant être examinés#

Comme l’équipement manquant constitue sa propre classe, une première règle de vérification peut être simple : signale toute image contenant une boîte d’EPI manquant dont le score de confiance dépasse un seuil.

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})")

Pour la vidéo, remplace predict par track. Le suivi d’objets attribue des identifiants aux détections d’une image à l’autre. Ton application associe ensuite chaque boîte d’EPI manquant à une piste de personne, par exemple en vérifiant quelle boîte Person la contient, puis applique des règles de persistance et de gestion des événements pour que les personnes chargées de la vérification voient un seul événement au lieu d’une rafale d’images :

Depuis Ultralytics 8.4.202, les prédictions enregistrées depuis des flux RTSP et des webcams utilisent la fréquence d’images propre à chaque flux, afin que les clips enregistrés soient lus à la bonne vitesse. Une fois le modèle prêt, exporte le modèle au format ONNX, TensorRT, OpenVINO ou dans un autre format adapté à ton appareil Edge, ou déploie-le depuis Platform sur un point de terminaison dédié.

Un détecteur indique ce que la caméra peut voir. Il ne peut pas déterminer si un casque est certifié ou si un gilet est endommagé : transmets donc ses événements à une personne capable de le faire.

À qui s’adresse Construction-PPE#

Utilise Construction-PPE comme point de départ pour détecter ses cinq types d’EPI et leur absence sur les chantiers, dans les ateliers, les entrepôts ou les zones de chargement. Ce jeu de données convient si tu as besoin de :

• Détecter les équipements manquants, pas seulement les équipements présents. Cinq classes dédiées aux équipements manquants, annotées selon une règle cohérente fondée sur les parties du corps visibles, fournissent au modèle des exemples directs d’équipements absents.
• Détecter les véhicules et les piétons avec un seul modèle. Les classes forklift, Person et no_vest couvrent ensemble le cas d’une zone de chargement.
• Une licence de jeu de données claire et des annotations prêtes pour l’entraînement. Les images et les annotations sont sous licence CC BY 4.0, qui autorise l’usage commercial avec attribution, et les annotations au format YOLO permettent d’entraîner YOLO26 sans conversion. Les modèles YOLO que tu entraînes sur ces données font l’objet d’une licence distincte ; consulte la question sur la licence ci-dessous.

Si ton projet concerne uniquement les casques de chantier et les gilets à grande échelle, Ultralytics Platform héberge aussi Safety Helmet and Reflective Jacket, avec 10 138 images et 2 classes. Pour la détection des seuls casques, Safety Helmet Detection contient 5 000 images annotées avec les classes head, helmet et person. Pour un processus complet sur site, de la définition de la première règle au suivi d’un déploiement, consulte notre guide sur la détection des EPI et la sécurité au travail avec Ultralytics.