Eksik KKD tespiti: Ultralytics YOLO'yu Construction-PPE ile eğit

Eksik KKD'yi güvenilir biçimde tespit etmek için yalnızca kameranın görebildiği kısımları etiketle. Yeni Ultralytics Construction-PPE veri kümesinde, çelik bir kirişin arkasında gizlenmiş bir baş eksik kask sayılmaz. Yalnızca gerçekten görebildiğin ve üzerinde kask olmayan bir baş no_helmet kutusu alırken, görüşü kapanmış veya kadraj dışında kalan bir başa eksik ekipman etiketi verilmez.

Veri kümesini 3 Kasım 2026'da Ultralytics 8.4.200 sürümünde yayımladık: insanları, forkliftleri, koruyucu ekipmanları ve görünür eksik ekipmanları içeren 1.000 görsel, 12 sınıf ve incelenmiş 14.863 sınırlayıcı kutu. Görseller ve açıklamalar CC BY 4.0 lisansıyla sunuluyor. Sınıflar arasında özel bir no_vest ve bir forklift bulunuyor; açıklamalar Ultralytics ekibi tarafından incelendi. Bu kılavuzda veri kümesinin içeriğini, eksik KKD etiketleme kurallarının nasıl işlediğini ve üzerinde bir Ultralytics YOLO26 modelinin nasıl eğitileceğini, doğrulanacağını ve dağıtılacağını ele alıyoruz.

Construction-PPE, 12 sınıflı ve incelenmiş bir KKD tespit veri kümesidir#

Construction-PPE, inşaat ve sanayi sahaları için özgün bir nesne tespiti veri kümesidir; Ultralytics ekibi tarafından oluşturulup Kasım 2026'da açık kaynak olarak yayımlanmıştır. Görselleri; inşaat sahalarını, atölyeleri, depoları, yükleme alanlarını ve bakım çalışmalarını, farklı bakış açıları, ışık koşulları, işçi düzenleri ve forklift etkinlikleriyle kapsar. Bir tespit modeline hem koruyucu ekipmanın nasıl göründüğünü hem de ekipmanın görünür biçimde bulunmadığı durumları öğretmek için hazırlanmıştır.

Eğitime başlamadan önce bilmen gerekenler, Construction-PPE veri kümesi belgelerinde şöyle sıralanıyor:

• Boyut: 12 sınıfta 1.000 görsel ve 14.863 sınırlayıcı kutu
• Bölme: Ayrı bir test bölmesi olmadan, sabit 800/200 eğitim/doğrulama bölmesi
• Biçim: Dönüştürme gerektirmeden eğitime hazır, Ultralytics YOLO biçiminde sınırlayıcı kutular
• Görseller: Farklı çözünürlüklerde yatay, dikey ve kare kompozisyonlardan oluşan, insanlar tarafından toplanmış ve üretilmiş görseller
• Etiketleme: Uzmanlar tarafından yapılan insan etiketlemesi ile yapay zekâ destekli otomatik etiketlemenin birleşimi; Kasım 2026'da Ultralytics ekibi tarafından tamamlandı
• Lisans: Ticari kullanıma atıf koşuluyla izin veren Creative Commons Atıf 4.0 Uluslararası lisansı kapsamındaki görseller ve açıklamalar

Üretilmiş görseller gerçek olayların fotoğrafları değildir; bu nedenle burada eğitilen herhangi bir modelin son testi kendi kameralarından alınan görüntüler üzerinde yapılmalıdır.

Ultralytics Platform'da her görsele ve açıklamaya göz atabilir, veri kümesini çalışma alanına kopyalayabilir veya doğrudan üzerinde eğitim yapabilirsin.

Her KKD sınıfının bir eksik ekipman karşılığı var#

12 sınıf üç gruba ayrılır: beş ekipman sınıfı, beş eksik ekipman sınıfı ve sahada hareket eden insanları ve araçları kapsayan iki sınıf. Aşağıdaki kimlikler, açıklamalarla ve construction-ppe.yaml ile eşleşir:

Her ekipman sınıfının karşılık gelen bir "eksik" sınıfı vardır. Bu eşleşme, modele yokluğun nasıl göründüğüne dair doğrudan örnekler sunar; böylece kodunun eksik bir kutudan yokluk çıkarsaması gerekmeden, çıplak bir başı veya yeleksiz bir gövdeyi ayrı bir tespit olarak işaretleyebilir.

Eksik KKD etiketleri varsayımları değil, görünür vücut bölgelerini işaretler#

Eksik ekipman sınıflarının kesin bir tanımı olmalıdır. Etiketleyiciler, kirişlerin arkasında gizlenen veya kadrajın kenarında kesilen başlar da dâhil olmak üzere, kask göremedikleri her başı kutulasaydı model, görüşün kapanmasının tek başına ihlal anlamına geldiğini öğrenirdi.

Construction-PPE, beş eksik sınıfın tümünde tutarlı tek bir kural uygular: eksik ekipman kutusu, ekipmanın bulunması gereken görünür vücut bölgesini işaretler; görüşü kapanmış veya kadraj dışında kalan bir vücut bölgesi ise tek başına eksik ekipman olduğunu göstermez. Uygulamada:

• no_helmet kutusu, üzerinde kask olmayan ve görebildiğin bir başa çizilir.
• no_gloves kutusu, alet kutusunun arkasına gizlenmiş bir ele değil, görünür çıplak bir ele çizilir.
• no_vest kutusu, yüksek görünürlüklü giysisi olmayan görünür bir gövdeye çizilir.
• no_boots kutusu, koruyucu iş ayakkabısı olmayan görünür bir ayağa veya ayakkabıya çizilir.
• no_goggle kutusu, koruyucu gözlüğü olmayan görünür bir göz bölgesine çizilir.
• Ekipman sınıflarının kutuları doğrudan görünür eşyanın çevresine çizilir; yani yelek için bir kutu, onu giyen kişi içinse ayrı bir kutu kullanılır.

Soldaki işçinin başı taşıdığı kontrplak levhanın arkasında kaldığından etiketler kaskı olup olmadığı hakkında bir şey söylemez. Sağdaki işçinin görünür çıplak başı ve yüksek görünürlüklü giysisi olmayan görünür gövdesi ise eksik ekipman kutularıyla etiketlenir.

Bu kural, bu veri kümesinin ötesindeki veri etiketleme çalışmaları için de önemlidir. Construction-PPE'ye kendi kameralarından görseller ekleyeceksen aynı kurala göre etiketle; aksi hâlde model aynı soruya iki çelişkili yanıt alır. Academy'deki etiketleme en iyi uygulamaları dersimiz, bu tür bir kuralı etiketleme kılavuzuna nasıl yazacağını ve insan denetimli incelemenin otomasyonun kaçırdığı durumları neden yakaladığını gösteriyor.

Forklift ve no_vest, araç bölgelerini de aynı modele dâhil ediyor#

Saha kurallarının çoğu yalnızca eksik ekipmanla değil, alanı paylaşan insanlarla araçlarla da ilgilidir. forklift sınıfı araçları ve işçileri aynı tespit modeline dâhil eder; böylece tek bir YOLO26 modeli, bir forkliftin yanı sıra yakındaki insanları ve yüksek görünürlüklü giysileri olmayan görünür gövdeleri de tek geçişte döndürebilir.

Özel bir no_vest sınıfıyla, Construction-PPE üzerinde eğitilen bir model bir yükleme alanı için tek geçişte forklift, Person ve no_vest kutularını döndürebilir.

Bu kutuları bir olaya bağlamak uygulama mantığına bağlıdır: her no_vest kutusunu doğru kişiyle eşleştirmek, forkliftin "yakınında" olmanın ne anlama geldiğine karar vermek ve durumun ne kadar sürmesi gerektiğini belirlemek gerekir. Yakınlık ölçümü istiyorsan mesafe hesaplama kılavuzu, seçili kutu merkezleri arasındaki piksel mesafesini hesaplar; gerçek dünya mesafeleri için kamera kalibrasyonu gerekir.

Construction-PPE üzerinde YOLO26'yı birkaç satırda eğit#

Ultralytics Python paketiyle başla. YOLO, veri kümesi arşivini ilk kullanımda indirip ayıklar.

from ultralytics import YOLO

# COCO üzerinde önceden eğitilmiş bir YOLO26 nano modelinden başla
model = YOLO("yolo26n.pt")

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

CLI karşılığı tek satırdır:

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

YOLO26n, işlem hattını kontrol etmek için iyi bir ilk denemedir. Eldivenler, gözlükler ve botlar saha kamerası mesafelerinde küçük nesnelerdir; bu nedenle kararını vermeden önce YOLO26s veya YOLO26m gibi daha büyük bir boyutu karşılaştır. Eğitim belgelerinde görsel boyutu, toplu iş boyutu ve diğer tüm bağımsız değişkenler açıklanıyor. Tarayıcıda ücretsiz GPU kullanmayı tercih edersen Ultralytics, Construction-PPE için bir Colab not defteri de yayımlıyor.

Kod yazmak istemiyor musun? Ultralytics Platform'da eğit#

Ultralytics Platform'da Construction-PPE veri kümesini aç ve tarayıcıda dönem sayısını, görsel boyutunu ve GPU'yu seçerek YOLO26 modeliyle bulut eğitimi başlat. Platform kayıp eğrilerini, her dönem için kesinliği, duyarlılığı ve mAP değerini izler, ayrıca çalışmaları yan yana karşılaştırmana olanak tanır. Kendi kamera görsellerini eklemek için veri kümesini Explore'dan kopyala (Ultralytics Platform Explore kılavuzuna bak), görselleri yükle ve kutuların taslağını hazırlayan Smart Annotation'ı inceleyebileceğin açıklama düzenleyicide etiketle.

Modeli tek bir ortalamayla değil, her sınıfa göre değerlendir#

Tek bir mAP değeri, güvenlik ekibinin bilmesi gerekenleri gizler. İnsanları, kaskları ve yelekleri güvenilir biçimde bulduğu için modelin genel puanı yüksek olabilir; buna karşın no_gloves veya no_goggle örneklerinin çoğunu kaçırabilir. Sınıf bazında metriklerle doğrulama yap:

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}")

Önce eksik ekipman satırlarını incele ve doğrulamanın kaydettiği karışıklık matrisini aç. helmet ile no_helmet karıştırılıyorsa veya bir eksik sınıf nadiren tespit ediliyorsa kaçırılan görselleri incele ve başka bir şeyi değiştirmeden önce eğitim bölmesinde bu sınıftan kaç örnek bulunduğunu kontrol et. YOLO performans metrikleri kılavuzu, her grafiğin nasıl okunacağını açıklar.

200 doğrulama görseli, eğitim kümesiyle aynı koleksiyondan gelir. Dağıtımdan önce gerçekten kullanacağın kameralardan bağımsız bir küme topla, onu da doğrula ve sahandaki performansı ölçmek için kullan.

Eksik KKD tespitlerini incelenebilir olaylara dönüştür#

Eksik ekipman ayrı bir sınıf olduğundan, inceleme kuralının ilk sürümü kısa olabilir: belirli bir güven eşiğinin üzerinde eksik KKD kutusu içeren her kareyi işaretle.

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})")

Video için predict yerine track kullan. Nesne takibi, kareler boyunca tespitlere kimlikler atar. Ardından uygulaman, örneğin hangi Person kutusunun onu içerdiğini kontrol ederek her eksik KKD kutusunu bir kişi izine bağlar ve inceleyenlerin art arda gelen kareler yerine tek bir olay görmesi için kalıcılık ve olay kurallarını uygular:

Ultralytics 8.4.202 sürümünden bu yana, RTSP akışlarından ve web kameralarından kaydedilen tahminlerde her akışın kendi kare hızı kullanılıyor; böylece kaydedilen klipler doğru hızda oynatılıyor. Model hazır olduğunda uç cihazın için modeli dışa aktararak ONNX, TensorRT, OpenVINO veya başka bir biçim kullanabilir ya da Platform'dan dağıtım yaparak özel bir uç noktaya aktarabilirsin.

Bir tespit modeli, kameranın görebildiklerini bildirir. Kaskın sertifikalı olup olmadığını veya yeleğin hasarlı olup olmadığını değerlendiremez; bu nedenle olayları değerlendirebilecek bir kişiye yönlendir.

Construction-PPE'yi kimler kullanmalı?#

Construction-PPE'yi inşaat sahalarında, atölyelerde, depolarda veya yükleme alanlarında beş KKD türünü ve bunların yokluğunu tespit etmek için başlangıç noktası olarak kullan. Aşağıdakilere ihtiyacın varsa doğru seçimdir:

• Yalnızca ekipman tespiti değil, eksik ekipman tespiti. Tutarlı bir görünür vücut bölgesi kuralına göre etiketlenmiş beş özel eksik sınıf, modele eksik ekipman için doğrudan örnekler sunar.
• Tek modelde araç ve yaya farkındalığı. forklift, Person ve no_vest birlikte yükleme alanı senaryosunu kapsar.
• Açık veri kümesi lisansı ve eğitime hazır etiketler. Görseller ve açıklamalar, atıf koşuluyla ticari kullanıma izin veren CC BY 4.0 kapsamındadır; YOLO biçimindeki etiketler de dönüştürme gerektirmeden YOLO26 ile eğitilebilir. Bu veri kümesiyle eğiteceğin YOLO modellerinin lisansı ayrıdır; aşağıdaki lisans sorusuna bak.

Projen yalnızca geniş ölçekte baret ve yelek tespitini gerektiriyorsa Ultralytics Platform'da 10.138 görsel ve 2 sınıf içeren Safety Helmet and Reflective Jacket da bulunuyor. Yalnızca kask tespiti için Safety Helmet Detection, head, helmet ve person etiketli 5.000 görsel içeriyor. İlk kuralı belirlemekten dağıtımı izlemeye kadar saha iş akışının tüm adımları için Ultralytics ile KKD tespiti ve iş yeri güvenliği kılavuzumuzu oku.