Link to this sectionConjunto de datos Construction-PPE#

El conjunto de datos Construction-PPE está diseñado para mejorar el cumplimiento de la seguridad en obras de construcción mediante la detección de equipos de protección esenciales como cascos, chalecos, guantes, botas y gafas, junto con anotaciones para el equipo ausente. Seleccionado de entornos de construcción reales, incluye casos tanto conformes como no conformes, lo que lo convierte en un recurso valioso para entrenar modelos de IA que supervisan la seguridad en el lugar de trabajo.

Link to this sectionEstructura del dataset#

El conjunto de datos Construction-PPE está organizado en tres subconjuntos principales:

• Conjunto de entrenamiento: La colección principal de imágenes de construcción anotadas que presentan trabajadores con uso completo y parcial de EPI.
• Conjunto de validación: Un subconjunto designado utilizado para ajustar y evaluar el rendimiento del modelo durante la detección de EPI y la supervisión del cumplimiento.
• Conjunto de prueba: Un subconjunto independiente reservado para evaluar la eficacia del modelo final en la detección de EPI y la identificación de problemas de cumplimiento.

Cada imagen está anotada en el formato Ultralytics YOLO, asegurando la compatibilidad con canales de vanguardia de detección de objetos y seguimiento.

El conjunto de datos proporciona 11 clases divididas en categorías positivas (EPI usado) y negativas (EPI ausente). Esta estructura dual de positivo/negativo permite a los modelos detectar equipo usado correctamente e identificar infracciones de seguridad.

Link to this sectionValor empresarial#

• La construcción sigue siendo una de las industrias más peligrosas del mundo, con más de 51 de cada 123 lesiones mortales relacionadas con el trabajo en el Reino Unido en 2023/2024 ocurriendo en la construcción. Sin embargo, el problema ya no es la falta de regulación, ya que el 42 % de los trabajadores de la construcción admiten no seguir siempre los procesos.
• La construcción ya se rige por un extenso marco de normas de salud y seguridad (HSE), pero los equipos de HSE se enfrentan al reto de una aplicación coherente. Los equipos de HSE a menudo están sobrecargados, equilibrando papeleo y auditorías, y carecen de la capacidad de supervisar cada rincón de un entorno ajetreado y siempre cambiante en tiempo real.
• Aquí es donde la detección de equipos de protección individual (EPI) basada en visión artificial se vuelve inestimable. Al comprobar automáticamente si los trabajadores llevan cascos, chalecos y otros equipos de protección individual, puedes garantizar que las normas de HSE no solo estén presentes, sino que se apliquen de forma efectiva y coherente en todas las obras. Más allá del cumplimiento, la visión artificial proporciona indicadores de riesgo líderes al revelar cómo siguen las prácticas de seguridad las cuadrillas, permitiendo a las organizaciones detectar tendencias a la baja en el cumplimiento y prevenir incidentes antes de que ocurran.
• Como ventaja adicional, se sabe que la detección de equipos de protección individual también identifica a intrusos no autorizados en la obra, ya que aquellos que no están equipados con el equipo de seguridad adecuado son los primeros en activar una notificación. En última instancia, la detección de EPI es un caso de uso de visión artificial sencillo pero potente que ofrece una supervisión completa, información práctica y generación de informes estandarizados, facultando a las empresas de construcción para reducir riesgos, proteger a los trabajadores y salvaguardar sus proyectos.

Link to this sectionAplicaciones#

Construction-PPE potencia una variedad de aplicaciones de visión artificial centradas en la seguridad:

• Supervisión automatizada del cumplimiento: Entrena modelos de IA para comprobar instantáneamente si los trabajadores llevan el equipo de seguridad obligatorio, como cascos, chalecos o guantes, reduciendo los riesgos en la obra.
• Análisis de seguridad en el lugar de trabajo: Realiza un seguimiento del uso de EPI a lo largo del tiempo, detecta infracciones frecuentes y genera información para mejorar la cultura de seguridad.
• Sistemas de vigilancia inteligentes: Conecta modelos de detección con cámaras para enviar alertas en tiempo real cuando falta un EPI, previniendo accidentes antes de que ocurran.
• Robótica y sistemas autónomos: Permite que drones o robots realicen comprobaciones de EPI en grandes obras, apoyando inspecciones más rápidas y seguras.
• Investigación y educación: Proporciona un conjunto de datos del mundo real para estudiantes e investigadores que exploran la seguridad en el lugar de trabajo y las interacciones humano-objeto.

Link to this sectionYAML del dataset#

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. Puedes 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 🚀 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 sectionUso#

Puedes entrenar un modelo YOLO26n en el conjunto de datos Construction-PPE durante 100 épocas con un tamaño de imagen de 640. Los siguientes ejemplos muestran cómo empezar rápidamente. Para más opciones y configuraciones avanzadas, consulta la guía de entrenamiento.

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 sectionMuestras de imágenes y anotaciones#

El conjunto de datos captura a trabajadores de la construcción en diversos entornos, condiciones de iluminación y posturas. Se incluyen tanto casos conformes como no conformes.

Link to this sectionLicencia y atribución#

Construction-PPE está desarrollado y publicado bajo la Licencia AGPL-3.0, apoyando la investigación de código abierto y las aplicaciones comerciales con la atribución adecuada.

Si utilizas este conjunto de datos en tu investigación, por favor cítalo:

@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 section¿Qué hace único al conjunto de datos Construction-PPE?#

A diferencia de los conjuntos de datos genéricos de construcción, Construction-PPE incluye explícitamente clases de equipo ausente. Este enfoque de etiquetado dual permite a los modelos no solo detectar EPI, sino también señalar infracciones en tiempo real.

Link to this section¿Qué categorías de objetos están incluidas?#

El conjunto de datos cubre cascos, chalecos, guantes, botas, gafas y trabajadores, junto con sus homólogos de "EPI ausente". Esto garantiza una cobertura completa del cumplimiento.

Link to this section¿Cómo puedo entrenar un modelo YOLO utilizando el conjunto de datos Construction-PPE?#

Para entrenar un modelo YOLO26 utilizando el conjunto de datos Construction-PPE, puedes utilizar los siguientes fragmentos de código:

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 section¿Es este conjunto de datos adecuado para aplicaciones del mundo real?#

Sí. Las imágenes están seleccionadas de obras de construcción reales bajo diversas condiciones. Esto lo hace altamente eficaz para crear sistemas desplegables de supervisión de la seguridad en el lugar de trabajo.

Link to this section¿Cuáles son los beneficios de usar el conjunto de datos Construction-PPE en proyectos de IA?#

El conjunto de datos permite la detección en tiempo real de equipos de protección individual, ayudando a supervisar la seguridad de los trabajadores en las obras de construcción. Con clases tanto para equipo usado como ausente, soporta sistemas de IA que pueden señalar automáticamente infracciones de seguridad, generar información sobre el cumplimiento y reducir riesgos. También proporciona un recurso práctico para desarrollar soluciones de visión artificial en seguridad en el lugar de trabajo, robótica e investigación académica.