Enterprise-ready Sicherheit: ISO 27001 + SOC 2 Type I konform.
AGPL 3.0

Link to this sectionConstruction-PPE-Datensatz#

Construction-PPE Dataset In Colab

Das Ultralytics Construction-PPE-Datenset ist ein object detection-Datenset mit 1.416 Bildern (1.132 für das Training, 143 für die Validierung und 141 für den Test), die in 11 Klassen für die Erkennung von persönlicher Schutzausrüstung — Helme, Handschuhe, Westen, Stiefel und Schutzbrillen — unterteilt sind, um fehlende Ausrüstung auf Baustellen zu melden. Es wurde aus realen Bauumgebungen zusammengestellt und enthält sowohl regelkonforme als auch regelwidrige Fälle, was es zu einer praktischen Ressource für das Training von computer vision-Modellen macht, die die Sicherheit am Arbeitsplatz überwachen.



Watch: How to train Ultralytics YOLO on Personal Protective Equipment Dataset | VisionAI in Construction 👷

Link to this sectionDatensatzstruktur#

Das Construction-PPE-Datenset enthält 1.416 Bilder, die in drei vordefinierte Teilmengen unterteilt sind, welche in der Konfigurationsdatei construction-ppe.yaml definiert sind:

SplitBilderAnnotationen
Trainieren1.132Ja
Validation143Ja
Test141Ja

Jedes Bild ist im Ultralytics YOLO-Format annotiert, was die Kompatibilität mit modernsten object detection- und tracking-Pipelines sicherstellt.

Das Datenset bietet 11 Klassen, die getragene Ausrüstung, fehlende Ausrüstung und Personen abdecken:

  • Worn PPE (5): helmet, gloves, vest, boots, goggles
  • Missing PPE (4): no_helmet, no_gloves, no_boots, no_goggle
  • Other (2): Person, none

Die Kombination von Labels für getragene und fehlende Ausrüstung ermöglicht es einem Modell, sowohl korrekt getragene Schutzausrüstung zu erkennen als auch Sicherheitsverstöße zu melden. Beachte, dass es für vest kein dediziertes Label für fehlende Westen gibt.

Link to this sectionGeschäftlicher Nutzen#

Das Baugewerbe ist eine der gefährlichsten Branchen, und die Herausforderung liegt meist in der Durchsetzung der Regeln, nicht in einem Mangel an Vorschriften. Arbeitsschutzteams sind oft überlastet und können nicht jeden Winkel einer geschäftigen, sich ständig verändernden Baustelle in Echtzeit überwachen.

Die auf Computer Vision basierende PPE-Erkennung hilft, diese Lücke zu schließen. Durch die automatische Überprüfung, ob Arbeiter die erforderlichen Helme, Westen und andere Ausrüstungsgegenstände tragen, werden Sicherheitsregeln konsistent auf Baustellen durchgesetzt. Zudem werden Frühindikatoren für Risiken sichtbar gemacht, wodurch Trends bei der Einhaltung von Vorschriften aufgezeigt werden, bevor Zwischenfälle auftreten. Die PPE-Erkennung kann auch unbefugte Personen auf der Baustelle identifizieren, die normalerweise als Erste ohne die entsprechende Sicherheitsausrüstung in Erscheinung treten.

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.

Um ein PPE-Erkennungsmodell zu labeln, zu trainieren und bereitzustellen, ohne lokale Infrastruktur verwalten zu müssen, kannst du den gesamten Workflow direkt in deinem Browser mit der Ultralytics Platform ausführen.

Link to this sectionDatensatz-YAML#

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

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.

Trainingsbeispiel
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.

Beispiel aus dem Construction-PPE-Datensatz mit Sicherheitsausrüstungserkennung

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:

Zitat
@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-Datensets enthält das Construction-PPE explizit Klassen für fehlende Ausrüstung (no_helmet, no_gloves, no_boots, no_goggle). Dieser Dual-Labeling-Ansatz ermöglicht es einem Modell, nicht nur getragene PSA zu erkennen, sondern auch Verstöße in Echtzeit zu melden.

Link to this sectionWelche Objektkategorien sind enthalten?#

Das Construction-PPE-Datenset umfasst 11 Klassen: fünf für getragene PSA (helmet, gloves, vest, boots, goggles), vier Labels für fehlende PSA (no_helmet, no_gloves, no_boots, no_goggle) sowie Person und eine allgemeine none-Klasse. Beachte, dass es für vest kein dediziertes Label für fehlende Westen gibt.

Link to this sectionWie viele Bilder und Klassen sind im Construction-PPE-Datenset enthalten?#

Das Construction-PPE-Datenset enthält 1.416 Bilder in 11 Klassen — 1.132 für das Training, 143 für die Validierung und 141 für den Test. Siehe den Abschnitt Dataset Structure für die vollständige Aufschlüsselung der Aufteilung und Klassen.

Link to this sectionWie lade ich das Construction-PPE-Datenset herunter?#

Das Datenset (178,4 MB) wird beim ersten Training mit data="construction-ppe.yaml" automatisch heruntergeladen — es sind keine manuellen Schritte erforderlich. Ultralytics lädt es herunter und entpackt es in dein lokales Datenset-Verzeichnis. Du kannst verwandte Datensets in der Übersicht der Erkennungsdatensets durchsuchen.

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:

Trainingsbeispiel
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 stammen aus realen Baustellen unter vielfältigen Bedingungen, was das Datenset äußerst effektiv für den Aufbau einsatzfähiger Systeme zur Überwachung der Arbeitssicherheit macht.

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.

Mitwirkende
GLglenn-jocher5RIRizwanMunawar3RAraimbekovm2ULUltralyticsAbi1

Kommentare