Link to this sectionConjunto de dados Construction-PPE#

O conjunto de dados Ultralytics Construction-PPE é um conjunto de dados de object detection com 1.416 imagens (1.132 para treino, 143 para validação e 141 para teste) rotuladas em 11 classes para detetar equipamento de proteção individual — capacetes, luvas, coletes, botas e óculos de proteção — e sinalizar a falta de equipamento em estaleiros de construção. Curado a partir de ambientes de construção reais, inclui casos de conformidade e não conformidade, tornando-o um recurso prático para treinar modelos de computer vision que monitorizam a segurança no trabalho.

Link to this sectionEstrutura do Dataset#

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

Cada imagem está anotada no formato Ultralytics YOLO, garantindo compatibilidade com pipelines de object detection e tracking de última geração.

O conjunto de dados fornece 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

Combinar etiquetas de equipamento usado e em falta permite que um modelo detete equipamento usado corretamente e sinalize violações de segurança. Nota que vest não tem uma etiqueta dedicada para colete em falta.

Link to this sectionValor Comercial#

A construção é uma das indústrias mais perigosas e o desafio é habitualmente a aplicação das regras em vez da falta de regulamentação. As equipas de saúde e segurança estão sobrecarregadas e não conseguem vigiar cada canto de um estaleiro movimentado e em constante mudança em tempo real.

A deteção de EPI baseada em computer vision ajuda a colmatar essa lacuna. Ao verificar automaticamente se os trabalhadores usam os capacetes, coletes e outro equipamento necessários, a segurança é reforçada de forma consistente em todos os estaleiros e são apresentados indicadores de risco — revelando tendências de conformidade antes que ocorram incidentes. A deteção de EPI também pode sinalizar intrusos não autorizados no estaleiro, que são tipicamente os primeiros a aparecer sem o equipamento de segurança adequado.

Link to this sectionAplicações#

O Construction-PPE impulsiona uma variedade de aplicações de visão computacional focadas em segurança:

• Monitoramento de conformidade automatizado: Treine modelos de IA para verificar instantaneamente se os trabalhadores estão usando equipamentos de segurança obrigatórios, como capacetes, coletes ou luvas, reduzindo riscos no local.
• Análise de segurança no local de trabalho: Acompanhe o uso de EPI ao longo do tempo, detecte violações frequentes e gere insights para melhorar a cultura de segurança.
• Sistemas de vigilância inteligentes: Conecte modelos de detecção com câmeras para enviar alertas em tempo real quando o EPI estiver faltando, prevenindo acidentes antes que aconteçam.
• Robótica e sistemas autônomos: Permita que drones ou robôs realizem verificações de EPI em grandes locais, apoiando inspeções mais rápidas e seguras.
• Pesquisa e educação: Forneça um conjunto de dados do mundo real para estudantes e pesquisadores que exploram a segurança no local de trabalho e as interações humano-objeto.

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

Link to this sectionYAML do Dataset#

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

Link to this sectionUso#

Você pode treinar um modelo YOLO26n no conjunto de dados Construction-PPE por 100 épocas com um tamanho de imagem de 640. Os exemplos a seguir mostram como começar rapidamente. Para mais opções e configurações avançadas, consulte o guia de Treinamento.

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 sectionExemplos de Imagens e Anotações#

O conjunto de dados captura trabalhadores da construção civil em diversos ambientes, condições de iluminação e posturas. Casos em conformidade e não conformidade estão incluídos.

Link to this sectionLicença e Atribuição#

O Construction-PPE é desenvolvido e lançado sob a Licença AGPL-3.0, apoiando a pesquisa de código aberto e aplicações comerciais com a devida atribuição.

Se você usar este conjunto de dados em sua pesquisa, por favor, cite-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}
}

Link to this sectionFAQ#

Link to this sectionO que torna o conjunto de dados Construction-PPE único?#

Ao contrário de conjuntos de dados de construção genéricos, o Construction-PPE inclui explicitamente classes de equipamento em falta (no_helmet, no_gloves, no_boots, no_goggle). Esta abordagem de dupla rotulagem permite que um modelo não só detete EPI usado, mas também sinalize violações em tempo real.

Link to this sectionQuais categorias de objetos estão incluídas?#

O conjunto de dados Construction-PPE tem 11 classes: cinco itens de EPI usado (helmet, gloves, vest, boots, goggles), quatro etiquetas de EPI em falta (no_helmet, no_gloves, no_boots, no_goggle), além de Person e uma classe genérica none. Nota que vest não tem uma etiqueta dedicada para colete em falta.

Link to this sectionQuantas imagens e classes existem no conjunto de dados Construction-PPE?#

O conjunto de dados Construction-PPE contém 1.416 imagens em 11 classes — 1.132 para treino, 143 para validação e 141 para teste. Consulta a secção Dataset Structure para a divisão completa e a repartição das classes.

Link to this sectionComo descarrego o conjunto de dados Construction-PPE?#

O conjunto de dados (178,4 MB) é descarregado automaticamente na primeira vez que treinas com data="construction-ppe.yaml" — não é necessário nenhum passo manual. A Ultralytics recolhe-o e descompacta-o no teu diretório de conjuntos de dados local. Podes explorar conjuntos de dados relacionados na visão geral dos conjuntos de dados de deteção.

Link to this sectionComo posso treinar um modelo YOLO usando o conjunto de dados Construction-PPE?#

Para treinar um modelo YOLO26 usando o conjunto de dados Construction-PPE, você pode usar os seguintes trechos de código:

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 sectionEste conjunto de dados é adequado para aplicações do mundo real?#

Sim. As imagens são curadas a partir de estaleiros de construção reais sob condições diversas, o que torna o conjunto de dados altamente eficaz para criar sistemas de monitorização de segurança no trabalho implementáveis.

Link to this sectionQuais são os benefícios de usar o conjunto de dados Construction-PPE em projetos de IA?#

O conjunto de dados permite a detecção em tempo real de equipamento de proteção individual, ajudando a monitorar a segurança dos trabalhadores em canteiros de obras. Com classes para equipamentos usados e ausentes, ele suporta sistemas de IA que podem sinalizar automaticamente violações de segurança, gerar insights de conformidade e reduzir riscos. Também fornece um recurso prático para o desenvolvimento de soluções de visão computacional em segurança no local de trabalho, robótica e pesquisa acadêmica.