Jeu de données Construction-PPE d’Ultralytics
Ultralytics Construction-PPE est un jeu de données original de détection d’objets comprenant 1 000 images, 14 863 boîtes englobantes et 12 classes couvrant les personnes, les chariots élévateurs, les équipements de protection individuelle et les équipements manquants visibles dans les environnements de construction et industriels.
Le jeu de données a été créé et publié en open source en novembre 2026 par l’équipe Ultralytics. Il combine des images recueillies par des humains et des images générées, avec une annotation experte réalisée par des humains et une annotation automatique par IA achevées en novembre 2026 par l’équipe Ultralytics. Les images et les annotations sont publiées sous licence Creative Commons Attribution 4.0 International (CC BY 4.0).
Explore Construction-PPE sur Ultralytics Platform pour parcourir les images et les annotations, cloner le jeu de données ou entraîner un modèle.
Images et annotations#
Les images couvrent des chantiers, des ateliers, des entrepôts, des zones de chargement et des travaux de maintenance. Elles présentent des points de vue, des conditions d’éclairage, des dispositions de travailleurs, des équipements de protection et des activités de chariots élévateurs variés.
Les images présentent des compositions en paysage, en portrait et carrées, avec des résolutions variées.
Les annotations utilisent des boîtes englobantes au format Ultralytics YOLO. Les classes d’équipement identifient les éléments visibles ; les classes d’équipement manquant identifient la région corporelle visible correspondante lorsque l’équipement est absent. Une partie du corps occultée ou hors cadre ne suffit pas, à elle seule, à établir qu’un équipement manque.
Structure du jeu de données#
Le jeu de données comporte une répartition fixe de 80/20 entre entraînement et validation :
| Partition | Images | Rôle |
|---|---|---|
| Entraînement | 800 | Entraînement du modèle |
| Validation | 200 | Évaluation pendant le développement |
| Total | 1,000 |
Il n’y a pas de partition de test distincte. Pour l’évaluation finale, utilise des images indépendantes provenant de l’environnement de déploiement prévu, en particulier pour évaluer les performances sur des séquences réelles de caméras.
Classes#
Les identifiants de classe ci-dessous correspondent aux annotations du jeu de données et à construction-ppe.yaml :
| ID | Classe | Cible |
|---|---|---|
| 0 | helmet | Casque de protection ou casque de chantier |
| 1 | gloves | Gants de travail |
| 2 | vest | Gilet, veste ou chemise de sécurité à haute visibilité |
| 3 | boots | Bottes ou chaussures de travail de protection |
| 4 | goggles | Lunettes de protection |
| 5 | Person | Personne |
| 6 | no_helmet | Tête visible sans casque |
| 7 | no_goggle | Région des yeux visible sans lunettes de protection |
| 8 | no_gloves | Main visible sans gant |
| 9 | no_boots | Pied ou chaussure visible sans chaussure de protection |
| 10 | forklift | Chariot élévateur |
| 11 | no_vest | Torse visible sans vêtement de sécurité à haute visibilité |
Fichier YAML du jeu de données#
La configuration du jeu de données définit les chemins des images, l’ordre des classes et l’URL de téléchargement :
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Ultralytics Construction-PPE dataset, November 2026, CC BY 4.0
# Documentation: https://docs.ultralytics.com/datasets/detect/construction-ppe
# Example usage: yolo train data=construction-ppe.yaml
# parent
# ├── ultralytics
# └── datasets
# └── construction-ppe ← downloads here
# 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') 800 images
val: images/val # val images (relative to 'path') 200 images
# Classes
names:
0: helmet
1: gloves
2: vest
3: boots
4: goggles
5: Person
6: no_helmet
7: no_goggle
8: no_gloves
9: no_boots
10: forklift
11: no_vest
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zipL’archive du jeu de données de novembre 2026 contient des images, des étiquettes YOLO, des métadonnées du jeu de données et la licence CC BY 4.0. Elle est extraite dans construction-ppe.
Utilisation#
Installe ou mets à jour le package Ultralytics, puis entraîne un modèle YOLO26 préentraîné. YOLO télécharge et extrait automatiquement le jeu de données lors de la première utilisation.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(
data="https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip",
epochs=100,
imgsz=640,
)Consulte le guide d’entraînement pour les options de configuration et le guide de validation pour évaluer un modèle entraîné. Le notebook Construction-PPE propose un tutoriel pas à pas sur Colab.
Applications#
- Détection des EPI : repérer les casques, les gants, les gilets, les bottes et les lunettes de protection.
- Détection des équipements manquants : identifier les exemples visibles d’EPI manquants à examiner.
- Analyse des chantiers : détecter les personnes et les chariots élévateurs dans des images de chantiers et d’environnements industriels.
- Recherche et enseignement : comparer des modèles et étudier l’entraînement avec des images recueillies par des humains et des images générées.
Licence et attribution#
Les images et les annotations du jeu de données sont publiées par Ultralytics sous la licence CC BY 4.0, qui autorise le partage et l’adaptation, y compris à des fins commerciales, avec attribution. Mentionne l’équipe Ultralytics, ajoute un lien vers le jeu de données et la licence, et indique les modifications apportées.
Attribution suggérée : Jeu de données Construction-PPE d’Ultralytics, équipe Ultralytics, novembre 2026, CC BY 4.0.
@dataset{Ultralytics_Construction_PPE_2026,
author = "{Ultralytics team}",
title = {Ultralytics Construction-PPE Dataset},
month = {November},
year = {2026},
license = {CC-BY-4.0},
url = {https://docs.ultralytics.com/datasets/detect/construction-ppe},
publisher = {Ultralytics}
}Commentaires9
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
panagiotamoraiti
Hello, may i ask what does the none class represents?
1Wally18796
It represents the missing of an item. I recommend not using the "no" classes and use the person bounding box to detect missing item. e.g if a helmet bounding box is missing inside a "person" bouding boxes. It's automatically "no helmet"
On Mon, 3 Aug 2026, 9:38 pm Panagiota Moraiti, @.***> wrote:
Hello, may i ask what does the none class represents?
— Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/23364?email_source=notifications&email_token=A6BHGJNLIEEG3PDKZYO5CJD5IC5ZXA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCNZYHAZTEOBXUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-17883287, or unsubscribe https://github.com/notifications/unsubscribe-auth/A6BHGJMNF5G3KG5GLTBGRH35IC5ZXAVCNFSNUABHKJSXA33TNF2G64TZHM2TGNJTGYYDINBVHNCGS43DOVZXG2LPNY5TSMZXGQZDINFBOYBA . You are receiving this because you commented.Message ID: @.*** com>
panagiotamoraiti
But what if the person is holding the helmet in their hand? With what you're proposing, the system won't raise an alert in that case, which isn't correct. The "No" classes exist for a reason in the dataset.
I think the None class means "no vest," though I'm not 100% sure. When I removed it, results got worse, so it's doing something useful.
Glenn JocherUltralyticsYou’re right that person–PPE association matters: a helmet merely inside a person box does not prove it is worn. However,
noneis a generic class and is not documented asno_vest; the Construction-PPE class list explicitly notes that no dedicated missing-vest class exists. Please keep questions and findings here so the Ultralytics team can clarify the source annotation semantics.
Murat Raimbekovhey @nhatminh-115, the numbers back up your observation, though i'd be careful about calling it a "problem" - some of this looks intentional given how construction sites actually look. i pulled the dataset and counted instances:
positive vs negative instances:
split positives negatives pos/neg ratio train 5410 1267 4.27 : 1 val 706 146 4.84 : 1 test 796 154 5.17 : 1 so yes, positives outnumber negatives roughly 4-5x in every split. but that ratio is actually close to what you'd see on real construction sites - most workers do wear ppe most of the time.
per-class breakdown (train):
class instances counterpart ratio helmet (0) 1341 no_helmet (7) -> 400 3.35 gloves (1) 1146 no_gloves (9) -> 442 2.59 boots (3) 1235 no_boots (10) -> 88 14.03 goggles (4) 419 no_goggle (8) -> 337 1.24 vest (2) 1269 no_vest does not exist - a few things worth understanding before treating these as bugs:
- no
no_vestclass: high-vis vests are essentially binary - they're either on or completely off, and they're very visible. ano_vestlabel would basically be "person box without overlapping vest box", which you can derive in post-processing without needing a dedicated class. - no_boots is rare (88 instances): boots are often occluded by trousers, dust, or camera angle, so annotators can't always confidently mark "missing boots". the rarity probably reflects what's actually verifiable in the imagery rather than an annotation gap.
co-occurrence in training images (1142 total):
- 900 contain only positive classes ("compliant" scenes)
- 184 contain only negative classes ("non-compliant" scenes)
- 56 contain both (~5%)
- 2 contain neither
the docs explicitly say the dataset "includes both compliant and non-compliant cases", which matches what we see - scenes tend to be one or the other, not heavily mixed.
if your specific use case needs better recall on the
no_*classes, the data distribution does work against you. some things that help:- class weighting or focal loss to compensate for imbalance
- oversampling images containing negative-class instances
- aggressive augmentation on rare classes (especially
no_boots) - derive "missing PPE" rules in post-processing: detect
Personboxes, then check for overlappinghelmet/gloves/boots/vest, infer missing items from absence. this scales better with limited neg examples
so: the imbalance is real, the data behaves as you described, but a lot of it is consistent with how the dataset is designed rather than an annotation defect.
- no
nhatminh-115
I think this dataset has a huge problem of partial annotation and prior distribution. It works great on the Positive but kinda bad on Neg. Can anyone confirm on this or is it just me?
Waqas7717
# 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 images1,132 images for training really isn’t enough for anything close to a real-world setup. Most of these images are close-up shots of people clearly posing in helmets and vests. That’s not how this would work in practice. In a real deployment, you’re dealing with CCTV cameras fixed angles, wide shots, bad lighting, blur, occlusion, and workers far from the camera. I’ve spent the last year banging my head against the wall just trying to get models to cross 80% accuracy. This isn’t going to generalize. What’s actually needed is real CCTV footage of real workers on real sites not internet images of models wearing PPE.
Wally18796
Sir, have u found a solution or a better dataset? I'm trying to find one for my fyp sice you're saying it won't go up more than 80%, I don't wanna waste my time with it.
hungtrieu07
Sir, have u found a solution or a better dataset? I'm trying to find one for my fyp sice you're saying it won't go up more than 80%, I don't wanna waste my time with it.
Lots of company will private this dataset for their AI team to process, so we have zero chance to get it in high quality :( I'm also get into this problem.



