Conjunto de datos Construction-PPE#

1,416

Construction PPE

ultralytics

publicDetect

Construction-PPE is an Ultralytics safety-equipment detection benchmark. Its 11 classes localize people, helmets, gloves, vests, boots, and goggles while explicitly identifying missing protective equipment for worksite compliance monitoring.

611 classes145.3 MBSep 2, 2026

helmetglovesvestboots+7

object-detectionconstructionppe+2

El conjunto de datos Construction-PPE de Ultralytics es un conjunto de detección de objetos con 1.416 imágenes (1.132 para entrenamiento, 143 para validación y 141 para pruebas), etiquetadas en 11 clases para detectar equipos de protección individual (cascos, guantes, chalecos, botas y gafas protectoras) y señalar la falta de equipo en obras. 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 supervisen la seguridad laboral.

Estructura del conjunto de datos#

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

Todas las imágenes están anotadas en el formato Ultralytics YOLO, lo que garantiza la compatibilidad con las canalizaciones de última generación de detección de objetos y seguimiento.

El conjunto de datos ofrece 11 clases que abarcan el equipo puesto, el equipo que falta y las personas:

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

La combinación de etiquetas de equipo puesto y equipo que falta permite que un modelo detecte tanto el equipo de protección correctamente utilizado como las infracciones de seguridad. Ten en cuenta que vest no tiene una etiqueta específica para la falta de chaleco.

Valor empresarial#

La construcción es uno de los sectores más peligrosos, y el reto suele estar en hacer cumplir las normas, no en la falta de regulación. Los equipos de salud y seguridad tienen demasiado trabajo y no pueden vigilar en tiempo real cada rincón de una obra concurrida y en constante cambio.

La detección de EPI basada en visión artificial ayuda a cerrar esa brecha. Al comprobar automáticamente si los trabajadores llevan los cascos, chalecos y otros equipos requeridos, permite aplicar las normas de seguridad de forma coherente en todas las obras y detectar indicadores tempranos de riesgo, lo que revela tendencias de cumplimiento antes de que se produzcan incidentes. La detección de EPI también puede señalar a intrusos no autorizados en la obra, que suelen ser los primeros en aparecer sin el equipo de seguridad adecuado.

Aplicaciones#

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

• Supervisión automatizada del cumplimiento: entrena modelos de IA para comprobar al instante si los trabajadores llevan el equipo de seguridad requerido, como cascos, chalecos o guantes, y reducir así los riesgos en la obra.
• Análisis de seguridad laboral: haz un seguimiento del uso de EPI a lo largo del tiempo, detecta infracciones frecuentes y genera información útil para mejorar la cultura de seguridad.
• Sistemas de vigilancia inteligentes: conecta modelos de detección con cámaras para enviar alertas en tiempo real cuando falte algún EPI y prevenir accidentes antes de que ocurran.
• Robótica y sistemas autónomos: permite que drones o robots comprueben el uso de EPI en grandes obras y faciliten inspecciones más rápidas y seguras.
• Investigación y educación: ofrece un conjunto de datos del mundo real a estudiantes e investigadores que estudian la seguridad laboral y las interacciones entre personas y objetos.

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

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, validación y prueba, además de la lista completa de clases de objetos. Puedes acceder directamente al archivo construction-ppe.yaml 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

Uso#

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

from ultralytics import YOLO

# Carga el modelo preentrenado
model = YOLO("yolo26n.pt")

# Entrena el modelo con el conjunto de datos Construction-PPE
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

Imágenes de muestra y anotaciones#

El conjunto de datos recoge a trabajadores de la construcción en distintos entornos, condiciones de iluminación y posturas. Incluye casos tanto conformes como no conformes.

Licencia y atribución#

Construction-PPE se ha desarrollado y publicado con la licencia AGPL-3.0, que respalda la investigación de código abierto y las aplicaciones comerciales con la atribución correspondiente.

Si utilizas este conjunto de datos en tu investigación, cita la siguiente referencia:

@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#