Conjunto de datos Construction-PPE
El conjunto de datos Construction-PPE está diseñado para mejorar el cumplimiento de la seguridad en obras de construcción, permitiendo la detección de equipos de protección esencial como cascos, chalecos, guantes, botas y gafas, junto con anotaciones para el equipo ausente. Seleccionado a partir de entornos de construcción reales, incluye casos conformes y no conformes, lo que lo convierte en un recurso valioso para entrenar modelos de IA que supervisan la seguridad en el lugar de trabajo.
Watch: How to train Ultralytics YOLO on Personal Protective Equipment Dataset | VisionAI in Construction 👷
Estructura del conjunto de datos
El conjunto de datos Construction-PPE está organizado en tres subconjuntos principales:
- Conjunto de entrenamiento (Training Set): La colección principal de imágenes de construcción anotadas que muestran a trabajadores con uso de EPI completo y parcial.
- Conjunto de validación (Validation Set): Un subconjunto designado utilizado para ajustar y evaluar el rendimiento del modelo durante la detección de EPI y el seguimiento del cumplimiento.
- Conjunto de prueba (Test Set): 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, lo que garantiza la compatibilidad con las canalizaciones de detección de objetos y seguimiento de vanguardia.
El conjunto de datos proporciona 11 clases divididas en categorías positivas (EPI usado) y negativas (EPI faltante). Esta estructura de doble positivo/negativo permite a los modelos detectar equipos usados correctamente y también identificar infracciones de seguridad.
Valor comercial
- 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 se rige por un extenso marco de normas de salud y seguridad (HSE), pero los equipos de HSE tienen dificultades para aplicarlas de forma coherente. A menudo, los equipos de HSE están desbordados, equilibrando el papeleo y las auditorías, y sin la capacidad de controlar cada rincón de un entorno ajetreado y en constante cambio en tiempo real.
- Aquí es donde la detección de equipos de protección individual (EPI) basada en visión artificial resulta inestimable. Al verificar automáticamente si los trabajadores llevan puestos cascos, chalecos y otros equipos de protección individual, puedes asegurarte de que las normas de HSE no solo existan, sino que se apliquen de forma efectiva y coherente en todas las obras. Más allá del cumplimiento, la visión artificial proporciona indicadores clave de riesgo al revelar cómo siguen los equipos las prácticas de seguridad, lo que permite a las organizaciones detectar tendencias negativas en el cumplimiento y prevenir incidentes antes de que ocurran.
- Como ventaja adicional, la detección de equipos de protección individual también ha demostrado identificar a intrusos no autorizados en las obras, 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, lo que permite a las empresas constructoras reducir los riesgos, proteger a los trabajadores y salvaguardar sus proyectos.
Aplicaciones
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 el EPI, evitando accidentes antes de que ocurran.
- Robótica y sistemas autónomos: Permite que drones o robots realicen comprobaciones de EPI en grandes obras, facilitando 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.
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 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.zipUso
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)Imágenes y anotaciones de muestra
El conjunto de datos captura a trabajadores de la construcción en entornos, condiciones de iluminación y posturas variadas. Se incluyen tanto casos conformes como no conformes.
Licencia y atribución
Construction-PPE se desarrolla y publica bajo la licencia AGPL-3.0, lo que respalda 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}
}Preguntas frecuentes
¿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. Este enfoque de etiquetado doble permite a los modelos no solo detectar el EPI, 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 de "EPI faltante". Esto garantiza una cobertura completa del cumplimiento.
¿Cómo puedo entrenar un modelo YOLO usando el conjunto de datos Construction-PPE?
Para entrenar un modelo YOLO26 utilizando el conjunto de datos Construction-PPE, puedes usar 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)¿Es este conjunto de datos adecuado para aplicaciones del mundo real?
Sí. Las imágenes están seleccionadas de obras de construcción reales bajo condiciones diversas. Esto lo hace altamente efectivo para construir sistemas implementables de supervisión de la seguridad en el lugar de trabajo.
¿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 el equipo usado como para el faltante, es compatible con 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 seguridad laboral, robótica e investigación académica.