Link to this sectionJeu de données Construction-PPE#

Le jeu de données Ultralytics Construction-PPE est un jeu de données de détection d'objets de 1 416 images (1 132 pour l'entraînement, 143 pour la validation et 141 pour le test) étiquetées sur 11 classes pour détecter les équipements de protection individuelle — casques, gants, gilets, bottes et lunettes — et signaler les équipements manquants sur les chantiers de construction. Issu d'environnements de construction réels, il inclut 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.

Link to this sectionStructure du jeu de données#

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

Chaque image est annotée au format Ultralytics YOLO, garantissant la compatibilité avec les pipelines de pointe de détection d'objets et de suivi.

Le jeu de données fournit 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
• Autre (2) : Person, none

Associer des étiquettes d'équipements portés et manquants permet à un modèle de détecter les équipements correctement portés et de signaler les violations de sécurité. Note que vest n'a pas d'étiquette dédiée pour l'absence de gilet.

Link to this sectionValeur commerciale#

La construction est l'une des industries les plus dangereuses, et le défi est généralement lié à l'application des règles plutôt qu'au manque de réglementation. Les équipes de santé et sécurité sont surchargées et ne peuvent pas surveiller chaque recoin d'un chantier actif en constante évolution en temps réel.

La détection des EPI basée sur la vision par ordinateur aide à combler cette lacune. En vérifiant automatiquement si les travailleurs portent les casques, gilets et autres équipements requis, elle applique les règles de sécurité de manière cohérente sur les sites et fait apparaître des indicateurs de risque précoces — révélant les tendances de conformité avant que les incidents ne surviennent. La détection des EPI peut également signaler les intrus non autorisés sur le site, qui sont généralement les premiers à apparaître sans équipement de sécurité adéquat.

Link to this sectionApplications#

Construction-PPE alimente 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 des casques, des gilets ou des gants, réduisant ainsi les risques sur le site.
• Analyses de sécurité au travail : Suis l'utilisation des EPI au fil du temps, repère les violations fréquentes et génère des informations pour améliorer la culture de sécurité.
• Systèmes de surveillance intelligents : Connecte des modèles de détection à des caméras pour envoyer des alertes en temps réel lorsque des EPI sont manquants, prévenant ainsi les accidents avant qu'ils ne se produisent.
• Robotique et systèmes autonomes : Permets à des drones ou des robots d'effectuer des vérifications d'EPI sur de grands sites, favorisant des inspections plus rapides et plus sûres.
• Recherche et éducation : Fournis un jeu de données réel aux étudiants et chercheurs étudiant la sécurité au travail et les interactions humain-objet.

Pour étiqueter, entraîner et déployer un modèle de détection d'EPI sans gérer d'infrastructure locale, exécute le flux de travail complet dans ton navigateur avec Ultralytics Platform.

Link to this sectionYAML du jeu de données#

Le jeu de données Construction-PPE inclut un fichier de configuration YAML qui définit les chemins des images d'entraînement, de validation et de test ainsi que la liste complète des classes d'objets. Tu peux accéder au fichier construction-ppe.yaml directement 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

Link to this sectionUtilisation#

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 montrent comment démarrer rapidement. Pour plus d'options et de configurations avancées, consulte le guide d'entraînement.

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)

Link to this sectionExemples d'images et annotations#

Le jeu de données capture des travailleurs de la construction dans des environnements, des conditions d'éclairage et des postures variés. Des cas conformes et non conformes sont inclus.

Link to this sectionLicence et attribution#

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

Si tu utilises ce jeu de données dans tes recherches, merci de le citer :

@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}
}

Link to this sectionFAQ#

Link to this sectionQu'est-ce qui rend le jeu de données Construction-PPE unique ?#

Contrairement aux jeux de données de construction génériques, Construction-PPE inclut explicitement des classes d'équipement manquant (no_helmet, no_gloves, no_boots, no_goggle). Cette approche à double étiquetage permet à un modèle non seulement de détecter les EPI portés, mais aussi de signaler les violations en temps réel.

Link to this sectionQuelles catégories d'objets sont incluses ?#

Le jeu de données Construction-PPE compte 11 classes : cinq articles d'EPI portés (helmet, gloves, vest, boots, goggles), quatre étiquettes d'EPI manquants (no_helmet, no_gloves, no_boots, no_goggle), plus Person et une classe générique none. Note que vest n'a pas d'étiquette dédiée pour l'absence de gilet.

Link to this sectionCombien d'images et de classes contient le jeu de données Construction-PPE ?#

Le jeu de données Construction-PPE contient 1 416 images réparties sur 11 classes — 1 132 pour l'entraînement, 143 pour la validation et 141 pour le test. Consulte la section Structure du jeu de données pour la répartition complète et le détail des classes.

Link to this sectionComment télécharger le jeu de données Construction-PPE ?#

Le jeu de données (178,4 Mo) se télécharge automatiquement la première fois que tu lances un entraînement avec data="construction-ppe.yaml" — aucune étape manuelle n'est requise. Ultralytics le récupère et l'extrait dans ton répertoire de jeux de données local. Tu peux parcourir les jeux de données associés dans l'aperçu des jeux de données de détection.

Link to this sectionComment puis-je entraîner un modèle YOLO en utilisant le jeu de données Construction-PPE ?#

Pour entraîner un modèle YOLO26 en utilisant le jeu de données Construction-PPE, tu peux utiliser les extraits de code suivants :

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)

Link to this sectionCe jeu de données est-il adapté aux applications réelles ?#

Oui. Les images sont issues de vrais chantiers de construction dans des conditions variées, ce qui rend le jeu de données très efficace pour créer des systèmes déployables de surveillance de la sécurité au travail.

Link to this sectionQuels sont les avantages de l'utilisation du jeu de données Construction-PPE dans des projets d'IA ?#

Le jeu de données permet la détection en temps réel des équipements de protection individuelle, aidant à surveiller la sécurité des travailleurs sur les chantiers. Avec des classes pour les équipements portés et manquants, il prend en charge des systèmes d'IA capables de signaler automatiquement les violations de sécurité, de générer des informations sur la conformité et de réduire les risques. Il fournit également une ressource pratique pour développer des solutions de vision par ordinateur en matière de sécurité au travail, de robotique et de recherche universitaire.