Dataset 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

Il dataset Ultralytics Construction-PPE è un dataset di rilevamento di oggetti composto da 1.416 immagini (1.132 per l'addestramento, 143 per la validazione e 141 per il test), etichettate in 11 classi per rilevare i dispositivi di protezione individuale — caschi, guanti, giubbotti, stivali e occhiali protettivi — e segnalare l'assenza di equipaggiamento nei cantieri. Curato a partire da ambienti di costruzione reali, include casi conformi e non conformi, offrendo una risorsa pratica per addestrare modelli di visione artificiale che monitorano la sicurezza sul lavoro.

Struttura del dataset#

Il dataset Construction-PPE contiene 1.416 immagini suddivise in tre sottoinsiemi predefiniti, definiti dalla configurazione construction-ppe.yaml:

Ogni immagine è annotata nel formato Ultralytics YOLO, garantendo la compatibilità con le pipeline all'avanguardia di rilevamento di oggetti e tracciamento.

Il dataset include 11 classi che coprono l'equipaggiamento indossato, quello mancante e le persone:

• DPI indossati (5): helmet, gloves, vest, boots, goggles
• DPI mancanti (4): no_helmet, no_gloves, no_boots, no_goggle
• Altro (2): Person, none

L'abbinamento delle etichette per l'equipaggiamento indossato e mancante consente a un modello sia di rilevare l'equipaggiamento indossato correttamente sia di segnalare le violazioni delle norme di sicurezza. Nota che vest non ha un'etichetta dedicata per il giubbotto mancante.

Valore per le aziende#

L'edilizia è uno dei settori più pericolosi e il problema, di solito, non è la mancanza di normative, ma la loro applicazione. I team responsabili della salute e della sicurezza hanno risorse limitate e non possono sorvegliare in tempo reale ogni angolo di un cantiere affollato e in continua evoluzione.

Il rilevamento dei DPI basato sulla visione artificiale aiuta a colmare questa lacuna. Verificando automaticamente che i lavoratori indossino i caschi, i giubbotti e gli altri dispositivi richiesti, consente di applicare le norme di sicurezza in modo coerente nei diversi cantieri e mette in evidenza gli indicatori precoci di rischio, rivelando le tendenze di conformità prima che si verifichino incidenti. Il rilevamento dei DPI può anche segnalare gli intrusi non autorizzati nel cantiere, che spesso sono i primi a presentarsi senza i dispositivi di protezione adeguati.

Applicazioni#

Construction-PPE alimenta diverse applicazioni di visione artificiale incentrate sulla sicurezza:

• Monitoraggio automatizzato della conformità: addestra modelli di AI per verificare immediatamente se i lavoratori indossano i dispositivi di sicurezza richiesti, come caschi, giubbotti o guanti, riducendo i rischi in cantiere.
• Analisi della sicurezza sul lavoro: monitora nel tempo l'uso dei DPI, individua le violazioni ricorrenti e genera informazioni utili per migliorare la cultura della sicurezza.
• Sistemi di sorveglianza intelligenti: collega i modelli di rilevamento alle telecamere per inviare avvisi in tempo reale quando mancano i DPI, prevenendo gli incidenti prima che si verifichino.
• Robotica e sistemi autonomi: consenti a droni o robot di controllare i DPI in cantieri estesi, favorendo ispezioni più rapide e sicure.
• Ricerca e formazione: fornisce a studenti e ricercatori un dataset reale per esplorare la sicurezza sul lavoro e le interazioni tra persone e oggetti.

Per etichettare, addestrare e distribuire un modello di rilevamento dei DPI senza gestire infrastrutture locali, esegui l'intero flusso di lavoro nel browser con Ultralytics Platform.

YAML del dataset#

Il dataset Construction-PPE include un file di configurazione YAML che definisce i percorsi delle immagini di addestramento, validazione e test, oltre all'elenco completo delle classi di oggetti. Puoi accedere direttamente al file construction-ppe.yaml nel repository Ultralytics qui: 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

Utilizzo#

Puoi addestrare un modello YOLO26n sul dataset Construction-PPE per 100 epoche con una dimensione dell'immagine di 640. Gli esempi seguenti mostrano come iniziare rapidamente. Per altre opzioni e configurazioni avanzate, consulta la guida all'addestramento.

from ultralytics import YOLO

# Carica il modello preaddestrato
model = YOLO("yolo26n.pt")

# Addestra il modello sul dataset Construction-PPE
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

Immagini di esempio e annotazioni#

Il dataset mostra lavoratori edili in ambienti, condizioni di illuminazione e posture diversi. Include sia casi conformi sia non conformi.

Licenza e attribuzione#

Construction-PPE è sviluppato e distribuito con la licenza AGPL-3.0, a supporto della ricerca open source e delle applicazioni commerciali con la corretta attribuzione.

Se usi questo dataset nella tua ricerca, cit a:

@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}
}

Domande frequenti#