Jeu de données 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

Le jeu de données Ultralytics Construction-PPE est un jeu de données de détection d’objets composé de 1 416 images (1 132 pour l’entraînement, 143 pour la validation et 141 pour le test), annotées selon 11 classes pour détecter les équipements de protection individuelle — casques, gants, gilets, bottes et lunettes de protection — et signaler les équipements manquants sur les chantiers. Constitué à partir d’environnements de construction réels, il comprend des cas conformes et non conformes, ce qui en fait une ressource pratique pour entraîner des modèles de vision par ordinateur qui surveillent la sécurité au travail.

Structure du jeu de données#

Le jeu de données Construction-PPE comprend 1,416 images réparties en trois sous-ensembles prédéfinis, définis dans la configuration construction-ppe.yaml :

Chaque image est annotée au format Ultralytics YOLO, ce qui garantit la compatibilité avec les pipelines de pointe de détection d’objets et de suivi.

Le jeu de données comprend 11 classes couvrant les équipements portés, les équipements manquants et les personnes :

• EPI portés (5) : helmet, gloves, vest, boots, goggles
• EPI manquants (4) : no_helmet, no_gloves, no_boots, no_goggle
• Autres (2) : Person, none

L’association des étiquettes d’équipements portés et manquants permet à un modèle de détecter les équipements portés correctement et de signaler les infractions aux règles de sécurité. Note que vest n’a pas d’étiquette dédiée aux gilets manquants.

Valeur pour l’entreprise#

La construction est l’un des secteurs les plus dangereux, et le défi tient généralement à l’application des règles plutôt qu’à leur absence. Les équipes chargées de la santé et de la sécurité sont débordées et ne peuvent pas surveiller en temps réel chaque recoin d’un chantier très fréquenté et en constante évolution.

La détection des EPI par vision par ordinateur contribue à combler cette lacune. En vérifiant automatiquement si les travailleurs portent les casques, les gilets et les autres équipements requis, elle applique les règles de sécurité de manière cohérente sur les différents chantiers et fait ressortir les premiers indicateurs de risque — révélant les tendances de conformité avant que des incidents ne surviennent. La détection des EPI peut également signaler les intrus non autorisés sur le chantier, qui sont généralement les premiers à ne pas porter les équipements de sécurité appropriés.

Applications#

Construction-PPE permet de réaliser diverses applications de vision par ordinateur axées sur la sécurité :

• Surveillance automatisée de la conformité : entraîne des modèles d’IA pour vérifier instantanément si les travailleurs portent les équipements de sécurité requis, comme les casques, les gilets ou les gants, afin de réduire les risques sur le chantier.
• Analyse de la sécurité au travail : suis l’utilisation des EPI au fil du temps, repère les infractions fréquentes et génère des informations utiles pour améliorer la culture de la sécurité.
• Systèmes de surveillance intelligents : connecte des modèles de détection à des caméras pour envoyer des alertes en temps réel lorsqu’un EPI manque et prévenir les accidents avant qu’ils ne se produisent.
• Robotique et systèmes autonomes : permet à des drones ou à des robots d’effectuer des contrôles des EPI sur de grands chantiers, pour des inspections plus rapides et plus sûres.
• Recherche et enseignement : fournit aux étudiants et aux chercheurs un jeu de données concret pour étudier la sécurité au travail et les interactions entre humains et objets.

Pour annoter, entraîner et déployer un modèle de détection des EPI sans gérer d’infrastructure locale, exécute l’ensemble du workflow dans ton navigateur avec Ultralytics Platform.

Fichier YAML du jeu de données#

Le jeu de données Construction-PPE comprend un fichier de configuration YAML qui définit les chemins d’accès aux images d’entraînement, de validation et de test, ainsi que la liste complète des classes d’objets. Tu peux accéder directement au fichier construction-ppe.yaml dans le dépôt Ultralytics ici : 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

Utilisation#

Tu peux entraîner un modèle YOLO26n sur le jeu de données Construction-PPE pendant 100 époques avec une taille d’image de 640. Les exemples suivants t’aideront à démarrer rapidement. Pour découvrir d’autres options et des configurations avancées, consulte le guide d’entraînement.

from ultralytics import YOLO

# Charger le modèle préentraîné
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur le jeu de données Construction-PPE
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

Exemples d’images et annotations#

Le jeu de données présente des travailleurs du bâtiment dans des environnements, des conditions d’éclairage et des postures variés. Les cas conformes et non conformes sont tous deux inclus.

Licence et attribution#

Construction-PPE est développé et publié sous la licence AGPL-3.0, qui soutient la recherche open source et les applications commerciales avec une attribution appropriée.

Si tu utilises ce jeu de données dans tes recherches, cite-le :

@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}
}

FAQ#