SH17

SH17数据集由温莎大学的机械、汽车和材料工程系创建，包含8,099张标注图像，涵盖17类个人防护装备（PPE），如安全帽、安全眼镜等。数据集从多样化的工业环境中收集，旨在通过对象检测和卷积神经网络技术，提高制造业中的人身安全。创建过程中，数据通过Pexels网站收集并由专业人员进行标注，确保了数据的质量和多样性。该数据集主要用于训练和验证对象检测模型，以解决工业环境中的个人防护装备合规性问题。

The SH17 dataset was developed by the Department of Mechanical, Automotive, and Materials Engineering at the University of Windsor. It contains 8,099 annotated images spanning 17 classes of personal protective equipment (PPE), including hard hats, safety glasses, and other related protective gear. The dataset was gathered from diverse industrial environments, with the core objective of enhancing workplace safety in manufacturing through object detection and convolutional neural network technologies. During its development, the dataset's images were collected from the Pexels website and annotated by professional personnel, ensuring the dataset's quality and diversity. This dataset is primarily used for training and validating object detection models to address PPE compliance issues in industrial settings.

原始信息汇总

SH17: A Dataset for Human Safety and Personal Protective Equipment Detection in Manufacturing Industry

数据集概述

摘要

工作场所事故对人类安全构成重大风险，特别是在建筑和制造业等行业，个人防护装备（PPE）合规性的必要性日益突出。本研究基于目标检测（OD）和卷积神经网络（CNN）开发了非侵入式技术，用于检测和验证各种PPE（如头盔、安全眼镜、口罩和防护服）的正确使用。本研究提出了SH17数据集，包含8,099张标注图像，包含75,994个17类别的实例，收集自多样化的工业环境，用于训练和验证OD模型。我们训练了最先进的OD模型进行基准测试，初步结果显示YOLOv9-e模型变体在PPE检测中超过70.9%的准确率。模型在跨域数据集上的验证性能表明，集成这些技术可以显著提高安全管理系统，为努力满足人类安全法规和保护其劳动力的行业提供可扩展和高效的解决方案。

数据集详情

• 图像数量: 8,099张标注图像
• 实例数量: 75,994个对象实例
• 类别数量: 17类PPE物品和身体部位

关键特性

• 从全球多样化的工业环境中收集
• 高质量图像（最大分辨率8192x5462，最小1920x1002）
• 平均每张图像包含9.38个实例
• 包括小物体如耳朵和耳罩（39,764个标注 < 1%图像面积，59,025个标注 < 5%面积）

类别

1. Person
2. Head
3. Face
4. Glasses
5. Face-mask-medical
6. Face-guard
7. Ear
8. Earmuffs
9. Hands
10. Gloves
11. Foot
12. Shoes
13. Safety-vest
14. Tools
15. Helmet
16. Medical-suit
17. Safety-suit

模型

我们使用ultralytics==8.0.38仓库训练了所有YOLO模型。我们提供了用于评估和基准测试的YOLO v8、v9和v10对象检测模型的训练权重。

YOLO v8, v9, v10 结果

模型	参数	图像数量	实例数量	P	R	mAP50	mAP50-95
Yolo-8-n	3.2	1620	15358	67.5	53.6	58.0	36.6
Yolo-8-s	11.2	1620	15358	81.5	55.7	63.7	41.7
Yolo-8-m	25.9	1620	15358	77.1	60.5	66.6	45.7
Yolo-8-l	43.7	1620	15358	76.7	62.9	68.0	47.0
Yolo-8-x	68.2	1620	15358	77.1	63.1	69.3	47.2
Yolo-9-t	2.0	1620	15358	75.0	52.6	58.5	37.5
Yolo-9-s	7.2	1620	15358	73.6	60.2	65.3	42.9
Yolo-9-m	20.1	1620	15358	77.4	62.0	68.6	46.5
Yolo-9-c	25.5	1620	15358	79.6	60.8	67.7	46.5
Yolo-9-e	58.1	1620	15358	81.0	65.0	70.9	48.7
Yolo-10-n	2.3	1620	15358	66.8	53.2	57.2	35.9
Yolo-10-s	7.2	1620	15358	75.8	57.0	62.7	40.9
Yolo-10-m	15.4	1620	15358	71.4	61.4	65.7	43.8
Yolo-10-b	19.1	1620	15358	77.7	59.1	65.8	45.1
Yolo-10-l	24.4	1620	15358	76.0	61.8	67.4	46.0
Yolo-10-x	29.5	1620	15358	76.8	62.8	67.8	46.7

使用方法

python from ultralytics import YOLO

model = YOLO(r"path oweight.pt") # 提供训练模型的路径 results = model(pathofimage) # 运行推理

results.show() # 查看结果

更多使用细节请参考ultralytics文档。

评估

我们提供了评估代码，以在SH17验证集上重现我们的基准测试结果。

python from ultralytics import YOLO

model = YOLO(r"path oweight.pt") model.val(data="sh17.yaml", batch = 1, imgsz = 640, device="cuda:0")

引用

如果您在研究中使用此数据集或代码，请引用我们的论文：

latex @article{ahmad_2024_sh17, title={SH17: A Dataset for Human Safety and Personal Protective Equipment Detection in Manufacturing Industry}, author={Ahmad, Hafiz Mughees and Rahimi, Afshin}, journal={Arxiv}, year={2024} }

许可证

SH17数据集在CC BY-NC-SA 4.0许可证下发布。

搜集汇总

数据集介绍

构建方式

在制造业环境中，确保工人安全和个人防护装备（PPE）的正确使用至关重要。SH17数据集通过从多样化的工业环境中收集8,099张标注图像，构建了一个包含75,994个实例的17类对象检测数据集。这些图像通过网络爬虫从Pexels网站获取，确保了图像的多样性和代表性，同时避免了地域和性别偏见。标注过程由四名标注员完成，经过多次验证和校正，确保了标注的高质量。

使用方法

SH17数据集适用于训练和验证基于卷积神经网络（CNN）和对象检测（OD）技术的PPE检测模型。研究人员可以使用该数据集来训练YOLO等先进的OD模型，并通过交叉验证评估模型的泛化能力。数据集的开放性和高质量标注使其成为推动制造业安全管理技术发展的宝贵资源。

背景与挑战

背景概述

在制造业环境中，工作场所事故对人类安全构成重大风险，尤其在建筑和制造业等高风险行业中，个人防护设备（PPE）的合规性变得至关重要。SH17数据集由加拿大温莎大学的机械、汽车和材料工程系的研究人员Hafiz Mughees Ahmad和Afshin Rahimi开发，旨在通过基于对象检测（OD）和卷积神经网络（CNN）的非侵入性技术，检测和验证各种PPE（如头盔、安全眼镜、口罩和防护服）的正确使用。该数据集包含从多样化的工业环境中收集的8,099张标注图像，涵盖17个类别，共计75,994个实例。SH17数据集的开发旨在训练和验证OD模型，以提高安全管理系统的效果，为努力满足人类安全法规和保护员工的企业提供可扩展和高效的解决方案。

当前挑战

SH17数据集在构建过程中面临多个挑战。首先，数据集需要从多样化的工业环境中收集图像，这要求克服不同光照条件、背景复杂性和设备遮挡等问题。其次，标注过程涉及对大量图像进行精确标注，确保每个实例的准确分类和定位，这对标注人员的专业性和一致性提出了高要求。此外，数据集中某些类别的实例数量较少，如面罩和耳罩，导致类别不平衡问题，影响模型的训练效果。最后，数据集的评估需要跨域验证，确保模型在不同环境中的泛化能力，这对模型的鲁棒性和适应性提出了挑战。

常用场景

经典使用场景

SH17数据集在制造业中的人身安全和个体防护装备检测方面展现了其经典应用场景。通过结合目标检测（OD）和卷积神经网络（CNN）技术，该数据集能够有效识别和验证各种类型的个体防护装备，如安全帽、护目镜、口罩和防护服。这种非侵入式技术不仅提升了安全管理系统的效率，还为制造业提供了可扩展且高效的解决方案，以满足人身安全法规并保护员工。

解决学术问题

SH17数据集解决了制造业中常见的学术研究问题，特别是在个体防护装备（PPE）的检测和合规性验证方面。通过提供大规模、高质量的标注图像，该数据集为研究人员提供了丰富的资源，以训练和验证目标检测模型。这不仅推动了计算机视觉和深度学习技术在工业安全领域的应用，还为学术界提供了新的研究方向和基准。

实际应用

在实际应用中，SH17数据集被广泛用于制造业的安全监控系统中。通过实时检测员工是否佩戴适当的个体防护装备，企业能够及时发现并纠正安全隐患，从而减少工伤事故的发生。此外，该数据集还支持开发智能监控系统，能够在复杂工业环境中自动识别和记录员工的PPE使用情况，进一步提升了工作场所的安全性和管理效率。

数据集最近研究

最新研究方向

在制造业中，确保工人安全和个人防护设备（PPE）的正确使用已成为一个关键的研究方向。SH17数据集的最新研究聚焦于利用物体检测（OD）和卷积神经网络（CNN）技术，开发非侵入式方法来检测和验证各种PPE的正确使用，如头盔、安全眼镜、口罩和防护服。该数据集包含8,099张标注图像，涵盖17个类别，共计75,994个实例，这些图像来自多样化的工业环境。研究者们通过训练最先进的OD模型，如YOLOv9-e，展示了超过70.9%的PPE检测准确率。这些技术的整合有望显著提升安全管理系统，为制造业提供一个可扩展且高效的解决方案，以满足安全法规并保护劳动力。

相关研究论文

• SH17: A Dataset for Human Safety and Personal Protective Equipment Detection in Manufacturing Industry

  机械、汽车和材料工程系，温莎大学 · 2024年