Link to this sectionConjunto de datos Construction-PPE#

El conjunto de datos Construction-PPE de Ultralytics es un conjunto de datos de detección de objetos de 1.416 imágenes (1.132 para entrenamiento, 143 para validación y 141 para pruebas) etiquetadas en 11 clases para detectar equipos de protección individual (EPI) —cascos, guantes, chalecos, botas y gafas— y señalar la falta de equipo en obras de construcción. Seleccionado a partir de entornos de construcción reales, incluye casos tanto conformes como no conformes, lo que lo convierte en un recurso práctico para entrenar modelos de visión artificial que supervisan la seguridad laboral.

Link to this sectionEstructura del dataset#

El conjunto de datos Construction-PPE contiene 1.416 imágenes divididas en tres subconjuntos predefinidos, definidos por la configuración construction-ppe.yaml:

Cada imagen está anotada en el formato Ultralytics YOLO, lo que garantiza la compatibilidad con los flujos de trabajo de detección de objetos y seguimiento más avanzados.

El conjunto de datos proporciona 11 clases que abarcan equipo puesto, equipo faltante y personas:

• EPI puesto (5): helmet, gloves, vest, boots, goggles
• EPI faltante (4): no_helmet, no_gloves, no_boots, no_goggle
• Otros (2): Person, none

Emparejar etiquetas de equipo puesto y faltante permite que un modelo detecte tanto el equipo correctamente colocado como señale las infracciones de seguridad. Ten en cuenta que vest no tiene una etiqueta dedicada de chaleco faltante.

Link to this sectionValor empresarial#

La construcción es una de las industrias más peligrosas, y el desafío suele ser el cumplimiento más que la falta de normativa. Los equipos de salud y seguridad están sobrecargados y no pueden vigilar cada rincón de una obra ajetreada y en constante cambio en tiempo real.

La detección de EPI basada en visión artificial ayuda a cerrar esa brecha. Al comprobar automáticamente si los trabajadores llevan los cascos, chalecos y demás equipo requerido, se aplican las normas de seguridad de forma coherente en todas las obras y se muestran indicadores adelantados de riesgo, revelando tendencias de cumplimiento antes de que se produzcan incidentes. La detección de EPI también puede señalar intrusos no autorizados en la obra, quienes suelen ser los primeros en aparecer sin el equipo de seguridad adecuado.

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.

Para etiquetar, entrenar y desplegar un modelo de detección de EPI sin gestionar infraestructura local, ejecuta el flujo de trabajo completo en tu navegador con Ultralytics Platform.

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, validación y prueba 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 de construcción genéricos, Construction-PPE incluye explícitamente clases de equipo faltante (no_helmet, no_gloves, no_boots, no_goggle). Este enfoque de etiquetado dual permite a un modelo no solo detectar EPI puesto, sino también señalar infracciones en tiempo real.

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

El conjunto de datos Construction-PPE tiene 11 clases: cinco elementos de EPI puesto (helmet, gloves, vest, boots, goggles), cuatro etiquetas de EPI faltante (no_helmet, no_gloves, no_boots, no_goggle), además de Person y una clase genérica none. Ten en cuenta que vest no tiene una etiqueta dedicada de chaleco faltante.

Link to this section¿Cuántas imágenes y clases hay en el conjunto de datos Construction-PPE?#

El conjunto de datos Construction-PPE contiene 1.416 imágenes divididas en 11 clases: 1.132 para entrenamiento, 143 para validación y 141 para pruebas. Consulta la sección Estructura del conjunto de datos para ver el desglose completo de la división y las clases.

Link to this section¿Cómo descargo el conjunto de datos Construction-PPE?#

El conjunto de datos (178,4 MB) se descarga automáticamente la primera vez que entrenas con data="construction-ppe.yaml"; no es necesario ningún paso manual. Ultralytics lo obtiene y lo descomprime en tu directorio local de conjuntos de datos. Puedes explorar conjuntos de datos relacionados en la descripción general de conjuntos de datos de detección.

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 en condiciones diversas, lo que hace que el conjunto de datos sea muy eficaz para crear sistemas de supervisión de seguridad laboral desplegables.

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.