Link to this sectionConstruction-PPE-Datensatz#

Der Construction-PPE-Datensatz wurde entwickelt, um die Einhaltung von Sicherheitsvorschriften auf Baustellen zu verbessern. Er ermöglicht die Erkennung grundlegender Schutzausrüstung wie Helme, Westen, Handschuhe, Stiefel und Schutzbrillen sowie die Annotation fehlender Ausrüstung. Er wurde aus realen Baustellenumgebungen zusammengestellt und enthält sowohl konforme als auch nicht konforme Fälle, was ihn zu einer wertvollen Ressource für das Training von KI-Modellen zur Überwachung der Arbeitssicherheit macht.

Link to this sectionDatensatzstruktur#

Der Construction-PPE-Datensatz ist in drei Hauptuntergruppen unterteilt:

• Trainingsdatensatz: Die primäre Sammlung annotierter Baustellenbilder, die Arbeiter mit vollständiger und teilweiser Verwendung von PSA zeigt.
• Validierungsdatensatz: Eine dedizierte Untergruppe, die zur Feinabstimmung und Bewertung der Modellleistung bei der PSA-Erkennung und Compliance-Überwachung verwendet wird.
• Testdatensatz: Eine unabhängige Untergruppe, die zur Bewertung der Effektivität des finalen Modells bei der Erkennung von PSA und der Identifizierung von Compliance-Verstößen reserviert ist.

Jedes Bild ist im Ultralytics YOLO-Format annotiert, was die Kompatibilität mit modernsten Objekterkennungs- und Tracking-Pipelines sicherstellt.

Der Datensatz bietet 11 Klassen, die in positive (getragene PSA) und negative (fehlende PSA) Kategorien unterteilt sind. Diese Struktur aus positiven und negativen Fällen ermöglicht es Modellen, korrekt getragene Ausrüstung zu erkennen und Sicherheitsverstöße zu identifizieren.

Link to this sectionGeschäftlicher Nutzen#

• Das Baugewerbe bleibt eine der gefährlichsten Branchen weltweit; in Großbritannien ereigneten sich 2023/2024 über 51 von 123 arbeitsbedingten tödlichen Unfällen auf Baustellen. Das Problem liegt jedoch nicht mehr an einem Mangel an Vorschriften, da 42 % der Bauarbeiter zugeben, Prozesse nicht immer einzuhalten.
• Das Baugewerbe unterliegt bereits einem umfangreichen Rahmenwerk von Gesundheits- und Sicherheitsstandards (HSE), doch die HSE-Teams stehen vor der Herausforderung einer konsequenten Durchsetzung. HSE-Teams sind oft überlastet, müssen Papierkram und Audits bewältigen und können nicht jeden Winkel einer betriebsamen und sich ständig ändernden Umgebung in Echtzeit überwachen.
• Genau hier wird die auf Computer Vision basierende Erkennung von persönlicher Schutzausrüstung (PSA) wertvoll. Indem automatisch überprüft wird, ob Arbeiter Helme, Westen und andere persönliche Schutzausrüstung tragen, kannst du sicherstellen, dass HSE-Regeln nicht nur existieren, sondern auf allen Baustellen effektiv und konsequent durchgesetzt werden. Über die Compliance hinaus liefert Computer Vision Frühindikatoren für Risiken, indem es aufzeigt, wie gut Teams Sicherheitsverfahren befolgen. Dies ermöglicht es Unternehmen, abnehmende Trends bei der Compliance zu erkennen und Vorfälle zu verhindern, bevor sie passieren.
• Als Bonus ist die Erkennung von persönlicher Schutzausrüstung auch dafür bekannt, unbefugte Eindringlinge auf dem Gelände zu identifizieren, da Personen, die nicht mit der richtigen Sicherheitsausrüstung ausgestattet sind, als erste eine Benachrichtigung auslösen. Letztendlich ist die PSA-Erkennung ein einfacher, aber leistungsstarker Anwendungsfall für Computer Vision, der vollständige Übersicht, umsetzbare Erkenntnisse und standardisierte Berichte liefert und Bauunternehmen befähigt, Risiken zu reduzieren, Arbeiter zu schützen und ihre Projekte abzusichern.

Link to this sectionAnwendungen#

Construction-PPE unterstützt eine Vielzahl sicherheitsorientierter Computer-Vision-Anwendungen:

• Automatisierte Compliance-Überwachung: Trainiere KI-Modelle, um sofort zu prüfen, ob Arbeiter die erforderliche Sicherheitsausrüstung wie Helme, Westen oder Handschuhe tragen, wodurch Risiken vor Ort reduziert werden.
• Analytik zur Arbeitssicherheit: Verfolge die PSA-Nutzung über die Zeit, erkenne häufige Verstöße und generiere Erkenntnisse zur Verbesserung der Sicherheitskultur.
• Intelligente Überwachungssysteme: Verbinde Erkennungsmodelle mit Kameras, um bei fehlender PSA Echtzeit-Warnungen zu senden und Unfälle zu verhindern, bevor sie passieren.
• Robotik und autonome Systeme: Ermögliche es Drohnen oder Robotern, PSA-Prüfungen auf großen Baustellen durchzuführen und so schnellere und sicherere Inspektionen zu unterstützen.
• Forschung und Bildung: Stelle einen Datensatz aus der realen Welt für Studenten und Forscher bereit, die Arbeitssicherheit und die Interaktion zwischen Mensch und Objekt untersuchen.

Link to this sectionDatensatz-YAML#

Der Construction-PPE-Datensatz enthält eine YAML-Konfigurationsdatei, die die Pfade zu den Trainings- und Validierungsbildern sowie die vollständige Liste der Objektklassen definiert. Du kannst direkt im Ultralytics-Repository auf die Datei construction-ppe.yaml zugreifen: https://github.com/ultralytics/ultralytics/blob/main/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

Link to this sectionVerwendung#

Du kannst ein YOLO26n-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem Construction-PPE-Datensatz trainieren. Die folgenden Beispiele zeigen, wie du schnell starten kannst. Weitere Optionen und erweiterte Konfigurationen findest du im Training-Leitfaden.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo26n.pt")

# Train the model on Construction-PPE dataset
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

Link to this sectionBeispielbilder und Annotationen#

Der Datensatz erfasst Bauarbeiter in unterschiedlichen Umgebungen, Lichtverhältnissen und Körperhaltungen. Sowohl konforme als auch nicht konforme Fälle sind enthalten.

Link to this sectionLizenz und Attribution#

Construction-PPE wurde unter der AGPL-3.0-Lizenz entwickelt und veröffentlicht, was Open-Source-Forschung und kommerzielle Anwendungen mit korrekter Namensnennung unterstützt.

Wenn du diesen Datensatz in deiner Forschung verwendest, zitiere ihn bitte:

@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}
}

Link to this sectionFAQ#

Link to this sectionWas macht den Construction-PPE-Datensatz einzigartig?#

Im Gegensatz zu allgemeinen Bau-Datensätzen enthält Construction-PPE explizit Klassen für fehlende Ausrüstung. Dieser Ansatz mit dualer Etikettierung erlaubt es Modellen, PSA nicht nur zu erkennen, sondern auch Verstöße in Echtzeit zu melden.

Link to this sectionWelche Objektkategorien sind enthalten?#

Der Datensatz umfasst Helme, Westen, Handschuhe, Stiefel, Schutzbrillen und Arbeiter sowie deren Gegenstücke für „fehlende PSA“. Dies gewährleistet eine umfassende Abdeckung der Compliance.

Link to this sectionWie kann ich ein YOLO-Modell mit dem Construction-PPE-Datensatz trainieren?#

Um ein YOLO26-Modell mit dem Construction-PPE-Datensatz zu trainieren, kannst du die folgenden Code-Schnipsel verwenden:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

Link to this sectionIst dieser Datensatz für reale Anwendungen geeignet?#

Ja. Die Bilder wurden aus realen Baustellen unter diversen Bedingungen zusammengestellt. Dies macht ihn äußerst effektiv für den Aufbau einsetzbarer Systeme zur Überwachung der Arbeitssicherheit.

Link to this sectionWelche Vorteile bietet die Verwendung des Construction-PPE-Datensatzes in KI-Projekten?#

Der Datensatz ermöglicht die Echtzeit-Erkennung von persönlicher Schutzausrüstung und hilft dabei, die Sicherheit der Arbeiter auf Baustellen zu überwachen. Mit Klassen sowohl für getragene als auch für fehlende Ausrüstung unterstützt er KI-Systeme, die Sicherheitsverstöße automatisch markieren, Compliance-Erkenntnisse generieren und Risiken reduzieren können. Er bietet zudem eine praktische Ressource für die Entwicklung von Computer-Vision-Lösungen im Bereich Arbeitssicherheit, Robotik und akademische Forschung.