Link to this sectionDataset Construction-PPE#

Il dataset Construction-PPE è progettato per migliorare la conformità alla sicurezza nei cantieri edili, consentendo il rilevamento di dispositivi di protezione essenziali come caschi, giubbotti, guanti, stivali e occhiali protettivi, insieme ad annotazioni per le attrezzature mancanti. Selezionato da ambienti di costruzione reali, include casi sia conformi che non conformi, rendendolo una risorsa preziosa per l'addestramento di modelli AI che monitorano la sicurezza sul posto di lavoro.

Link to this sectionStruttura del dataset#

Il dataset Construction-PPE è organizzato in tre sottoinsiemi principali:

• Training Set: La raccolta principale di immagini di costruzione annotate che mostrano lavoratori con uso completo o parziale di DPI.
• Validation Set: Un sottoinsieme designato utilizzato per ottimizzare e valutare le prestazioni del modello durante il rilevamento dei DPI e il monitoraggio della conformità.
• Test Set: Un sottoinsieme indipendente riservato per valutare l'efficacia del modello finale nel rilevare i DPI e identificare problemi di conformità.

Ogni immagine è annotata nel formato Ultralytics YOLO, garantendo la compatibilità con pipeline all'avanguardia di object detection e tracking.

Il dataset fornisce 11 classi divise in categorie positive (DPI indossati) e negative (DPI mancanti). Questa struttura doppia positivo/negativo consente ai modelli di rilevare attrezzature indossate correttamente e identificare violazioni della sicurezza.

Link to this sectionValore commerciale#

• L'edilizia rimane una delle industrie più pericolose al mondo, con oltre 51 su 123 infortuni mortali sul lavoro nel Regno Unito nel 2023/2024 avvenuti in cantiere. Tuttavia, il problema non è più la mancanza di regolamentazione, dato che il 42% dei lavoratori edili ammette di non seguire sempre le procedure.
• L'edilizia è già governata da un ampio quadro di standard di salute e sicurezza (HSE), ma i team HSE sono messi alla prova da un'applicazione coerente. I team HSE sono spesso sotto pressione, bilanciando documenti e audit e mancando della capacità di monitorare ogni angolo di un ambiente affollato e in continua evoluzione in tempo reale.
• È qui che il rilevamento dei dispositivi di protezione individuale (DPI) basato su computer vision diventa prezioso. Controllando automaticamente se i lavoratori indossano caschi, giubbotti e altri dispositivi di protezione individuale, puoi assicurarti che le regole HSE non siano solo presenti, ma effettivamente applicate in modo coerente in tutti i siti. Oltre alla conformità, la computer vision fornisce indicatori di rischio anticipati rivelando quanto bene le squadre seguono le pratiche di sicurezza, consentendo alle organizzazioni di individuare tendenze negative nella conformità e prevenire incidenti prima che accadano.
• Come bonus, il rilevamento dei dispositivi di protezione individuale è anche noto per identificare intrusi non autorizzati nel sito, poiché coloro che non sono dotati di adeguati dispositivi di sicurezza sono i primi a far scattare una notifica. In definitiva, il rilevamento dei DPI è un caso d'uso della computer vision semplice ma potente che offre una supervisione completa, approfondimenti azionabili e report standardizzati, consentendo alle aziende edili di ridurre i rischi, proteggere i lavoratori e salvaguardare i loro progetti.

Link to this sectionApplicazioni#

Construction-PPE alimenta una varietà di applicazioni di computer vision focalizzate sulla sicurezza:

• Monitoraggio automatico della conformità: Addestra modelli AI per controllare istantaneamente se i lavoratori indossano i dispositivi di sicurezza richiesti come caschi, giubbotti o guanti, riducendo i rischi in loco.
• Analisi della sicurezza sul posto di lavoro: Traccia l'uso dei DPI nel tempo, individua violazioni frequenti e genera approfondimenti per migliorare la cultura della sicurezza.
• Sistemi di sorveglianza intelligenti: Collega i modelli di rilevamento con le telecamere per inviare avvisi in tempo reale quando mancano i DPI, prevenendo incidenti prima che accadano.
• Robotica e sistemi autonomi: Abilita droni o robot a eseguire controlli DPI in siti di grandi dimensioni, supportando ispezioni più rapide e sicure.
• Ricerca e istruzione: Fornisci un dataset del mondo reale per studenti e ricercatori che esplorano la sicurezza sul posto di lavoro e le interazioni uomo-oggetto.

Link to this sectionDataset YAML#

Il dataset Construction-PPE include un file di configurazione YAML che definisce i percorsi delle immagini di training e validazione insieme all'elenco completo delle classi di oggetti. Puoi accedere al file construction-ppe.yaml direttamente 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

Link to this sectionUtilizzo#

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 ulteriori opzioni e configurazioni avanzate, consulta la Guida all'addestramento.

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 sectionEsempi di immagini e annotazioni#

Il dataset cattura lavoratori edili in ambienti, condizioni di illuminazione e posture variate. Sono inclusi casi sia conformi che non conformi.

Link to this sectionLicenza e attribuzione#

Construction-PPE è sviluppato e rilasciato sotto la Licenza AGPL-3.0, supportando la ricerca open-source e le applicazioni commerciali con la corretta attribuzione.

Se utilizzi questo dataset nella tua ricerca, ti preghiamo di citarlo:

@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 sectionCosa rende unico il dataset Construction-PPE?#

A differenza dei dataset di costruzione generici, Construction-PPE include esplicitamente classi per attrezzature mancanti. Questo approccio a doppia etichettatura consente ai modelli non solo di rilevare i DPI, ma anche di segnalare le violazioni in tempo reale.

Link to this sectionQuali categorie di oggetti sono incluse?#

Il dataset copre caschi, giubbotti, guanti, stivali, occhiali protettivi e lavoratori, insieme alle loro controparti "DPI mancanti". Ciò garantisce una copertura completa della conformità.

Link to this sectionCome posso addestrare un modello YOLO utilizzando il dataset Construction-PPE?#

Per addestrare un modello YOLO26 utilizzando il dataset Construction-PPE, puoi utilizzare i seguenti frammenti di codice:

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 sectionQuesto dataset è adatto per applicazioni nel mondo reale?#

Sì. Le immagini sono selezionate da cantieri edili reali in condizioni diverse. Questo lo rende altamente efficace per la costruzione di sistemi di monitoraggio della sicurezza sul posto di lavoro distribuibili.

Link to this sectionQuali sono i vantaggi dell'utilizzo del dataset Construction-PPE nei progetti AI?#

Il dataset consente il rilevamento in tempo reale dei dispositivi di protezione individuale, aiutando a monitorare la sicurezza dei lavoratori nei cantieri edili. Con classi sia per le attrezzature indossate che per quelle mancanti, supporta sistemi AI in grado di segnalare automaticamente le violazioni della sicurezza, generare approfondimenti sulla conformità e ridurre i rischi. Fornisce inoltre una risorsa pratica per lo sviluppo di soluzioni di computer vision nella sicurezza sul posto di lavoro, robotica e ricerca accademica.