Construcción-PPE Dataset
El conjunto de datos Construction-PPE está diseñado para mejorar el cumplimiento de las normas de seguridad en las obras de construcción al permitir la detección de equipos de protección esenciales, como cascos, chalecos, guantes, botas y gafas, junto con anotaciones sobre los equipos que faltan. Procedente de entornos reales de construcción, incluye tanto casos de conformidad como de no conformidad, lo que lo convierte en un valioso recurso para entrenar modelos de IA que supervisen la seguridad en el lugar de trabajo.
Estructura del conjunto de datos
El conjunto de datos Construction-PPE está organizado en tres subconjuntos principales:
- Conjunto de entrenamiento: La colección primaria de imágenes de construcción anotadas que muestran a trabajadores con uso completo y parcial de EPI.
- Conjunto de validación: Subconjunto designado que se utiliza para afinar y evaluar el rendimiento del modelo durante la detección de EPI y la supervisión del cumplimiento.
- Conjunto de pruebas: Un subconjunto independiente reservado para evaluar la eficacia del modelo final en la detección de EPI y la identificación de problemas de conformidad.
Cada imagen se anota en Ultralytics YOLO lo que garantiza su compatibilidad con los sistemas más avanzados de detección y seguimiento de objetos.
El conjunto de datos proporciona 11 clases divididas en categorías positivas (EPI llevado) y negativas (falta de EPI). Esta estructura dual positiva/negativa permite a los modelos detectar si el equipo se lleva correctamente e identificar infracciones de seguridad.
Aplicaciones
Construction-PPE impulsa diversas aplicaciones de visión por ordenador centradas en la seguridad:
- Control automatizado del cumplimiento: Entrena modelos de IA para comprobar al instante si los trabajadores llevan el equipo de seguridad obligatorio, como cascos, chalecos o guantes, reduciendo los riesgos en la obra.
- Análisis de la seguridad en el lugar de trabajo: Realice un seguimiento del uso de EPI a lo largo del tiempo, detecte infracciones frecuentes y genere información para mejorar la cultura de seguridad.
- Sistemas de vigilancia inteligentes: Conecte modelos de detección con cámaras para enviar alertas en tiempo real cuando falten EPI, evitando accidentes antes de que ocurran.
- Robótica y sistemas autónomos: Permita que drones o robots realicen comprobaciones de EPI en grandes instalaciones, lo que contribuirá a que las inspecciones sean más rápidas y seguras.
- Investigación y educación: Proporcionar un conjunto de datos reales a estudiantes e investigadores que estudian la seguridad en el lugar de trabajo y las interacciones entre personas y objetos.
YAML del conjunto de datos
El conjunto de datos Construction-PPE incluye un archivo de configuración YAML que define las rutas de las imágenes de entrenamiento y validación junto con la lista completa de clases de objetos. Puede acceder al archivo construction-ppe.yaml directamente en el repositorio de Ultralytics aquí: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/construction-ppe.yaml
ultralytics.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
Uso
Puede entrenar un modelo YOLO11n en el conjunto de datos Construcción-PPE durante 100 épocas con un tamaño de imagen de 640. Los siguientes ejemplos muestran cómo empezar rápidamente. Para más opciones y configuraciones avanzadas, consulte la Guía de entrenamiento.
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load pretrained model
model = YOLO("yolo11n.pt")
# Train the model on Construction-PPE dataset
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)
yolo detect train data=construction-ppe.yaml model=yolo11n.pt epochs=100 imgsz=640
sample_images y anotaciones
El conjunto de datos incluye a trabajadores de la construcción en distintos entornos, condiciones de iluminación y posturas. Se incluyen casos que cumplen y casos que no cumplen.
Licencia y Atribución
Construction-PPE se ha desarrollado y publicado bajo la licenciaAGPL-3.0 , que permite la investigación de código abierto y las aplicaciones comerciales con la debida atribución.
Si utiliza este conjunto de datos en su investigación, le rogamos que lo cite:
@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}
}
Preguntas frecuentes
¿Qué hace único al conjunto de datos Construction-PPE?
A diferencia de los conjuntos de datos genéricos sobre construcción, Construction-PPE incluye explícitamente las clases de equipos que faltan. Este enfoque de doble etiquetado permite a los modelos no solo detectar EPP, sino también señalar infracciones en tiempo real.
¿Qué categorías de objetos se incluyen?
El conjunto de datos abarca cascos, chalecos, guantes, botas, gafas y trabajadores, junto con sus homólogos "sin EPI". Esto garantiza una cobertura completa del cumplimiento de la normativa.
¿Cómo puedo entrenar un modelo YOLO utilizando el conjunto de datos Construction-PPE?
Para entrenar un modelo YOLO11 utilizando el conjunto de datos Construcción-PPE, puede utilizar los siguientes fragmentos de código:
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=construction-ppe.yaml model=yolo11n.pt epochs=100 imgsz=640
¿Es adecuado este conjunto de datos para aplicaciones reales?
Sí. Las imágenes proceden de obras reales en condiciones diversas. Esto hace que sea muy eficaz para crear sistemas desplegables de supervisión de la seguridad en el lugar de trabajo.
¿Cuáles son las ventajas de utilizar el conjunto de datos Construction-PPE en proyectos de IA?
El conjunto de datos permite detectar en tiempo real los equipos de protección individual, lo que ayuda a controlar la seguridad de los trabajadores en las obras. Con clases tanto para los equipos usados como para los que faltan, es compatible con los sistemas de IA que pueden señalar automáticamente infracciones de seguridad, generar información sobre el cumplimiento y reducir riesgos. También constituye un recurso práctico para desarrollar soluciones de visión por ordenador en el ámbito de la seguridad en el trabajo, la robótica y la investigación académica.
