Construction-PPE 데이터셋#
Ultralytics Construction-PPE 데이터셋은 개인 보호 장비(헬멧, 장갑, 조끼, 안전화, 고글)를 감지하고 건설 현장에서 장비 미착용을 식별하기 위해 11개 클래스로 라벨링된 1,416개 이미지(학습용 1,132개, 검증용 143개, 테스트용 141개)로 구성된 객체 감지 데이터셋입니다. 실제 건설 환경에서 선별된 데이터로, 규정을 준수하는 사례와 준수하지 않는 사례를 모두 포함하므로 작업장 안전을 모니터링하는 컴퓨터 비전 모델을 학습하기 위한 실용적인 리소스입니다.
Watch: How to train Ultralytics YOLO on Personal Protective Equipment Dataset | VisionAI in Construction 👷
데이터셋 구조#
Construction-PPE 데이터셋에는 construction-ppe.yaml 구성으로 정의된 세 개의 사전 정의된 하위 집합으로 분할된 1,416개의 이미지가 포함되어 있습니다.
| 분할 | 이미지 | 어노테이션 |
|---|---|---|
| 학습 | 1,132 | 예 |
| 검증 | 143 | 예 |
| 테스트 | 141 | 예 |
모든 이미지에는 Ultralytics YOLO 형식으로 어노테이션이 지정되어 있어 최신 객체 감지 및 트래킹 파이프라인과의 호환성을 보장합니다.
이 데이터셋은 착용 장비, 미착용 장비 및 사람을 포함하는 11개 클래스를 제공합니다.
- 착용 PPE (5개):
helmet,gloves,vest,boots,goggles - 미착용 PPE (4개):
no_helmet,no_gloves,no_boots,no_goggle - 기타 (2개):
Person,none
착용 및 미착용 라벨을 함께 사용하면 모델이 장비의 올바른 착용 여부를 감지하는 동시에 안전 규정 위반을 식별할 수 있습니다. vest에는 전용 조끼 미착용 라벨이 없다는 점에 유의하시기 바랍니다.
비즈니스 가치#
건설업은 가장 위험한 산업 중 하나이며, 일반적으로 문제는 규정의 부재가 아니라 규정 준수 여부를 관리하는 데 있습니다. 보건·안전 팀은 인력이 부족하여 끊임없이 변화하는 복잡한 현장의 모든 구역을 실시간으로 감시할 수 없습니다.
컴퓨터 비전 기반 PPE 감지는 이러한 격차를 해소하는 데 도움이 됩니다. 작업자가 필수 헬멧, 조끼 및 기타 장비를 착용했는지 자동으로 확인하여 현장 전반에서 안전 규정을 일관되게 시행하고 위험의 선행 지표를 표시함으로써 사고가 발생하기 전에 규정 준수 동향을 파악할 수 있습니다. PPE 감지는 승인되지 않은 현장 침입자도 식별할 수 있으며, 이들은 일반적으로 적절한 안전 장비 없이 가장 먼저 나타나는 사람들입니다.
응용 분야#
Construction-PPE는 안전에 초점을 맞춘 다양한 컴퓨터 비전 애플리케이션을 지원합니다.
- 자동화된 규정 준수 모니터링: AI 모델을 학습하여 작업자가 헬멧, 조끼 또는 장갑과 같은 필수 안전 장비를 착용했는지 즉시 확인하고 현장의 위험을 줄입니다.
- 작업장 안전 분석: 시간 경과에 따른 PPE 사용량을 추적하고, 빈번한 위반을 파악하며, 안전 문화를 개선하기 위한 인사이트를 생성합니다.
- 스마트 감시 시스템: 감지 모델을 카메라와 연결하여 PPE가 없을 때 실시간 알림을 전송하고 사고가 발생하기 전에 예방합니다.
- 로보틱스 및 자율 시스템: 드론이나 로봇이 대규모 현장 전반에서 PPE 검사를 수행하도록 하여 더 빠르고 안전한 점검을 지원합니다.
- 연구 및 교육: 작업장 안전과 사람-객체 상호작용을 연구하는 학생과 연구자에게 실제 환경을 반영한 데이터셋을 제공합니다.
로컬 인프라를 관리하지 않고 PPE 감지 모델에 라벨을 지정하고 학습 및 배포하려면 Ultralytics Platform에서 브라우저로 전체 워크플로를 실행합니다.
데이터셋 YAML#
Construction-PPE 데이터셋에는 학습, 검증 및 테스트 이미지 경로와 전체 객체 클래스 목록을 정의하는 YAML 구성 파일이 포함되어 있습니다. Ultralytics 리포지토리에서 construction-ppe.yaml 파일에 직접 액세스할 수 있습니다: 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.zip사용법#
640의 이미지 크기로 100 epoch 동안 Construction-PPE 데이터셋에서 YOLO26n 모델을 학습할 수 있습니다. 다음 예제에서는 빠르게 시작하는 방법을 보여 줍니다. 더 많은 옵션과 고급 구성은 학습 가이드를 참조하시기 바랍니다.
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)샘플 이미지 및 주석#
이 데이터셋에는 다양한 환경, 조명 조건 및 자세에서 촬영된 건설 노동자가 포함되어 있습니다. 규정을 준수하는 사례와 준수하지 않는 사례가 모두 포함됩니다.
라이선스 및 저작자 표시#
Construction-PPE는 AGPL-3.0 라이선스에 따라 개발 및 배포되며, 적절한 저작자 표시를 전제로 오픈 소스 연구와 상업적 애플리케이션을 지원합니다.
이 데이터셋을 연구에 사용하는 경우 다음과 같이 인용하시기 바랍니다.
@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#
일반적인 건설 데이터셋과 달리 Construction-PPE에는 장비 미착용 클래스(
no_helmet,no_gloves,no_boots,no_goggle)가 명시적으로 포함되어 있습니다. 이러한 이중 라벨링 방식을 사용하면 모델이 착용한 PPE를 감지할 뿐만 아니라 실시간으로 위반을 식별할 수 있습니다.Construction-PPE 데이터셋에는 11개 클래스가 있습니다. 착용 PPE 항목 5개(
helmet,gloves,vest,boots,goggles), 미착용 PPE 라벨 4개(no_helmet,no_gloves,no_boots,no_goggle), 그리고Person와 일반none클래스가 포함됩니다.vest에는 전용 조끼 미착용 라벨이 없다는 점에 유의하시기 바랍니다.Construction-PPE 데이터셋에는 11개 클래스에 걸쳐 1,416개의 이미지가 포함되어 있습니다. 학습용 1,132개, 검증용 143개, 테스트용 141개입니다. 전체 분할 및 클래스 구성은 데이터셋 구조 섹션을 참조하시기 바랍니다.
데이터셋(178.4MB)은
data="construction-ppe.yaml"으로 처음 학습을 실행할 때 자동으로 다운로드되므로 수동 단계가 필요하지 않습니다. Ultralytics가 데이터셋을 가져와 로컬 데이터셋 디렉터리에 압축 해제합니다. 관련 데이터셋은 감지 데이터셋 개요에서 확인할 수 있습니다.Construction-PPE 데이터셋을 사용하여 YOLO26 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다.
학습 예제from 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)예. 이미지는 다양한 조건의 실제 건설 현장에서 선별되었으므로, 배포 가능한 작업장 안전 모니터링 시스템을 구축하는 데 매우 효과적인 데이터셋입니다.
이 데이터셋을 사용하면 개인 보호 장비를 실시간으로 감지하여 건설 현장의 작업자 안전을 모니터링할 수 있습니다. 착용 장비와 미착용 장비에 대한 클래스가 모두 제공되므로 안전 규정 위반을 자동으로 식별하고, 규정 준수 인사이트를 생성하며, 위험을 줄이는 AI 시스템을 지원합니다. 또한 작업장 안전, 로보틱스 및 학술 연구 분야에서 컴퓨터 비전 솔루션을 개발하기 위한 실용적인 리소스를 제공합니다.