Conjunto de dados 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

O conjunto de dados Ultralytics Construction-PPE é um conjunto de deteção de objetos com 1.416 imagens (1.132 para treino, 143 para validação e 141 para teste), etiquetadas em 11 classes para detetar equipamento de proteção individual — capacetes, luvas, coletes, botas e óculos de proteção — e assinalar a ausência de equipamento em estaleiros de construção. Selecionado a partir de ambientes de construção reais, inclui casos conformes e não conformes, o que o torna um recurso prático para treinar modelos de visão computacional que monitorizam a segurança no local de trabalho.

Estrutura do conjunto de dados#

O conjunto de dados Construction-PPE contém 1.416 imagens divididas em três subconjuntos predefinidos, definidos pela configuração construction-ppe.yaml:

Todas as imagens estão anotadas no formato Ultralytics YOLO, garantindo a compatibilidade com pipelines de deteção de objetos e rastreamento de última geração.

O conjunto de dados disponibiliza 11 classes que abrangem equipamento usado, equipamento em falta e pessoas:

• EPI usado (5): helmet, gloves, vest, boots, goggles
• EPI em falta (4): no_helmet, no_gloves, no_boots, no_goggle
• Outros (2): Person, none

A combinação de etiquetas de equipamento usado e em falta permite ao modelo detetar equipamento usado corretamente e assinalar infrações de segurança. Nota que vest não tem uma etiqueta específica para colete em falta.

Valor para as empresas#

A construção é um dos setores mais perigosos, e o desafio costuma ser a fiscalização, não a falta de regulamentação. As equipas de saúde e segurança têm recursos limitados e não conseguem vigiar todos os cantos de um estaleiro movimentado e em constante mudança, em tempo real.

A deteção de EPI baseada em visão computacional ajuda a colmatar essa lacuna. Ao verificar automaticamente se os trabalhadores usam os capacetes, coletes e outros equipamentos obrigatórios, aplica as regras de segurança de forma consistente em todos os estaleiros e revela indicadores precoces de risco — mostrando tendências de conformidade antes de ocorrerem incidentes. A deteção de EPI também pode assinalar intrusos não autorizados no estaleiro, que normalmente são os primeiros a aparecer sem o equipamento de segurança adequado.

Aplicações#

O Construction-PPE permite desenvolver várias aplicações de visão computacional centradas na segurança:

• Monitorização automatizada da conformidade: treina modelos de IA para verificar instantaneamente se os trabalhadores usam o equipamento de segurança obrigatório, como capacetes, coletes ou luvas, reduzindo os riscos no estaleiro.
• Análise da segurança no local de trabalho: acompanha a utilização de EPI ao longo do tempo, identifica infrações frequentes e gera informações úteis para melhorar a cultura de segurança.
• Sistemas de vigilância inteligentes: liga modelos de deteção a câmaras para enviar alertas em tempo real quando falta EPI, prevenindo acidentes antes que aconteçam.
• Robótica e sistemas autónomos: permite que drones ou robôs verifiquem o EPI em grandes estaleiros, contribuindo para inspeções mais rápidas e seguras.
• Investigação e educação: disponibiliza um conjunto de dados do mundo real para estudantes e investigadores que exploram a segurança no local de trabalho e as interações entre pessoas e objetos.

Para etiquetar, treinar e implementar um modelo de deteção de EPI sem gerir infraestrutura local, executa todo o fluxo de trabalho no navegador com a Ultralytics Platform.

YAML do conjunto de dados#

O conjunto de dados Construction-PPE inclui um ficheiro de configuração YAML que define os caminhos das imagens de treino, validação e teste, bem como a lista completa de classes de objetos. Podes aceder diretamente ao ficheiro construction-ppe.yaml no repositório Ultralytics aqui: 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

Uso#

Podes treinar um modelo YOLO26n com o conjunto de dados Construction-PPE durante 100 épocas, com um tamanho de imagem de 640. Os exemplos seguintes mostram como começar rapidamente. Para veres mais opções e configurações avançadas, consulta o guia de treino.

from ultralytics import YOLO

# Carrega o modelo pré-treinado
model = YOLO("yolo26n.pt")

# Treina o modelo com o conjunto de dados Construction-PPE
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

O conjunto de dados retrata trabalhadores da construção em ambientes, condições de iluminação e posturas variados. Inclui casos conformes e não conformes.

Licença e atribuição#

O Construction-PPE foi desenvolvido e disponibilizado ao abrigo da Licença AGPL-3.0, apoiando a investigação de código aberto e as aplicações comerciais com a devida atribuição.

Se usares este conjunto de dados na tua investigação, cita-o:

@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}
}

Perguntas frequentes#