Conjunto de datos Construction-PPE
El conjunto de datos Construction-PPE está diseñado para mejorar el cumplimiento de las normas de seguridad en las obras de construcción, permitiendo la detección de equipos de protección esenciales como cascos, chalecos, guantes, botas y gafas, junto con anotaciones para el equipo faltante. 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.
Ver: Cómo entrenar Ultralytics YOLO en el conjunto de datos de equipos de protección personal | VisionAI en la construcción 👷
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: Un subconjunto designado utilizado para ajustar y evaluar el rendimiento del modelo durante la detección de EPP y el monitoreo del cumplimiento.
- Conjunto de Prueba: Un subconjunto independiente reservado para evaluar la eficacia del modelo final en la detección de EPP e identificación de problemas de cumplimiento.
Cada imagen se anota en el formato Ultralytics YOLO, lo que garantiza la compatibilidad con las canalizaciones de detección de objetos y seguimiento de última generación.
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 detect si el equipo se lleva correctamente e identificar infracciones de seguridad.
Valor empresarial
- La construcción sigue siendo una de las industrias más peligrosas del mundo, con más de 51 de las 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 está regida por un amplio 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 el papeleo y las auditorías, y carecen de la capacidad de supervisar cada rincón de un entorno ajetreado y en constante cambio en tiempo real.
- Aquí es donde la detección de equipos de protección personal (EPP) basada en visión artificial se vuelve invaluable. Al verificar automáticamente si los trabajadores están usando cascos, chalecos y otros equipos de protección personal, puede asegurarse de que las normas de HSE no solo estén presentes, sino que se apliquen de manera efectiva y consistente en todos los sitios. Más allá del cumplimiento, la visión artificial proporciona indicadores clave de riesgo al revelar qué tan bien los equipos siguen las prácticas de seguridad, lo que permite a las organizaciones detectar tendencias a la baja en el cumplimiento y prevenir incidentes antes de que sucedan.
- Como beneficio adicional, se sabe que la detección de equipos de protección personal también identifica a intrusos no autorizados en el sitio, 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 EPP es un caso de uso de visión artificial simple pero potente que ofrece una supervisión completa, información procesable e informes estandarizados, lo que permite a las empresas de construcción reducir el riesgo, proteger a los trabajadores y salvaguardar sus proyectos.
Aplicaciones
Construction-PPE impulsa una variedad de aplicaciones de visión artificial centradas en la seguridad:
- Monitoreo automatizado del cumplimiento: Entrene modelos de IA para verificar instantáneamente si los trabajadores están usando el equipo de seguridad requerido, como cascos, chalecos o guantes, lo que reduce los riesgos en el sitio.
- Análisis de seguridad en el lugar de trabajo: Realiza un seguimiento del uso de los EPI a lo largo del tiempo, detecta infracciones frecuentes y genera información para mejorar la cultura de seguridad.
- Sistemas de vigilancia inteligentes: Conecte los modelos de detección con las cámaras para enviar alertas en tiempo real cuando falte el EPP, previniendo accidentes antes de que ocurran.
- Robótica y sistemas autónomos: Permite que los drones o robots realicen comprobaciones de EPP en grandes emplazamientos, lo que permite realizar inspecciones más rápidas y seguras.
- Investigación y educación: Proporciona un conjunto de datos del mundo real para que estudiantes e investigadores exploren la seguridad en el lugar de trabajo y las interacciones humano-objeto.
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. Puedes acceder al construction-ppe.yaml archivo directamente en el repositorio de Ultralytics aquí: 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
Uso
Puedes entrenar un modelo YOLO11n 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 obtener más opciones y configuraciones avanzadas, consulta 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 captura trabajadores de la construcción en diversos entornos, condiciones de iluminación y posturas. Se incluyen casos tanto conformes como no conformes.
Licencia y Atribución
Construction-PPE se desarrolla y se publica bajo la Licencia AGPL-3.0, que apoya la investigación de código abierto y las aplicaciones comerciales con la atribución adecuada.
Si utiliza este dataset en su investigación, por favor, cítelo:
@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 que el conjunto de datos Construction-PPE sea único?
A diferencia de los conjuntos de datos de construcción genéricos, Construction-PPE incluye explícitamente clases de equipos faltantes. Este enfoque de doble etiquetado permite a los modelos no solo detectar el EPP, sino también señalar las infracciones en tiempo real.
¿Qué categorías de objetos están incluidas?
El conjunto de datos cubre cascos, chalecos, guantes, botas, gafas y trabajadores, junto con sus contrapartes de “PPE faltante”. Esto garantiza una cobertura integral del cumplimiento.
¿Cómo puedo entrenar un modelo YOLO utilizando el dataset Construction-PPE?
Para entrenar un modelo YOLO11 utilizando el conjunto de datos Construction-PPE, puedes usar 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 este conjunto de datos adecuado para aplicaciones del mundo real?
Sí. Las imágenes se seleccionan de sitios de construcción reales en diversas condiciones. Esto lo hace muy eficaz para construir sistemas de monitoreo de seguridad en el lugar de trabajo implementables.
¿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 personal, lo que ayuda a supervisar la seguridad de los trabajadores en las obras de construcción. Con clases tanto para el equipo usado como para el que falta, es compatible con los sistemas de IA que pueden señalar automáticamente las infracciones de seguridad, generar información sobre el cumplimiento y reducir los riesgos. También proporciona un recurso práctico para desarrollar soluciones de visión artificial en la seguridad en el lugar de trabajo, la robótica y la investigación académica.
