Começar

Conjunto de dados Construction-PPE da Ultralytics

Construction PPE preview 1
Construction PPE preview 2
Construction PPE preview 3
Construction PPE preview 4
1,000
Construction PPE
ultralytics
PublicDetect

Ultralytics Construction-PPE is an original dataset created and open-sourced in November 2026 by the Ultralytics team. It combines human-collected and generated images, with expert human annotation and AI auto-annotation completed in November 2026 by the Ultralytics team. It contains 1,000 images (800 train, 200 validation), 12 classes, and 14,863 reviewed bounding boxes for people, forklifts, protective equipment, and visible missing PPE. Images and annotations are released under CC BY 4.0. Documentation: https://docs.ultralytics.com/datasets/detect/construction-ppe.

912 classes632.3 MBNov 3, 2026
helmetglovesvestboots+8
constructionppesafety+2

Ultralytics Construction-PPE é um conjunto de dados original de deteção de objetos com 1.000 imagens, 14.863 caixas delimitadoras e 12 classes, que abrange pessoas, empilhadores, equipamento de proteção individual e equipamento em falta visível em contextos de construção e industriais.

O conjunto de dados foi criado e disponibilizado como código aberto em novembro de 2026 pela equipa Ultralytics. Combina imagens recolhidas por pessoas e imagens geradas, com anotação humana especializada e anotação automática por IA concluídas em novembro de 2026 pela equipa Ultralytics. As imagens e anotações são disponibilizadas ao abrigo da Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).

Explora o Construction-PPE na Ultralytics Platform para consultar as imagens e anotações, clonar o conjunto de dados ou treinar um modelo.

Imagens e anotações#

As imagens abrangem estaleiros de construção, oficinas, armazéns, zonas de carga e trabalhos de manutenção. Incluem diversos pontos de vista, condições de iluminação, disposições de trabalhadores, equipamentos de proteção e atividades com empilhadores.

As imagens incluem composições horizontais, verticais e quadradas, com várias resoluções.

As anotações usam caixas delimitadoras no formato YOLO da Ultralytics. As classes de equipamento identificam itens visíveis; as classes de equipamento em falta identificam a região visível do corpo correspondente quando o equipamento está ausente. Uma parte do corpo ocluída ou fora do enquadramento não é, por si só, prova de ausência de equipamento.

Estrutura do conjunto de dados#

O conjunto de dados tem uma divisão fixa de 80/20 entre treino e validação:

DivisãoImagensFinalidade
Treinar800Treino do modelo
Validação200Avaliação durante o desenvolvimento
Total1,000

Não existe uma divisão de teste separada. Para a avaliação final, usa imagens independentes do ambiente de implementação previsto, especialmente para avaliar o desempenho em gravações reais de câmaras.

Classes#

Os IDs das classes abaixo correspondem às anotações do conjunto de dados e a construction-ppe.yaml:

IDClasseDestino
0helmetCapacete de proteção
1glovesLuvas de trabalho
2vestColete, casaco ou camisa de segurança de alta visibilidade
3bootsBotas ou sapatos de trabalho de proteção
4gogglesÓculos de proteção
5PersonPessoa
6no_helmetCabeça visível sem capacete
7no_goggleRegião dos olhos visível sem óculos de proteção
8no_glovesMão visível sem luva
9no_bootsPé ou calçado visível sem calçado de proteção para trabalho
10forkliftEmpilhador
11no_vestTronco visível sem vestuário de segurança de alta visibilidade

YAML do conjunto de dados#

A configuração do conjunto de dados define os caminhos das imagens, a ordem das classes e o URL de transferência:

ultralytics/cfg/datasets/construction-ppe.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Ultralytics Construction-PPE dataset, November 2026, CC BY 4.0
# Documentation: https://docs.ultralytics.com/datasets/detect/construction-ppe
# Example usage: yolo train data=construction-ppe.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── construction-ppe ← downloads here

# 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') 800 images
val: images/val # val images (relative to 'path') 200 images

# Classes
names:
  0: helmet
  1: gloves
  2: vest
  3: boots
  4: goggles
  5: Person
  6: no_helmet
  7: no_goggle
  8: no_gloves
  9: no_boots
  10: forklift
  11: no_vest

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip

O arquivo do conjunto de dados de novembro de 2026 contém imagens, etiquetas YOLO, metadados do conjunto de dados e a licença CC BY 4.0. É extraído para construction-ppe.

Uso#

Instala ou atualiza o pacote Ultralytics e, em seguida, treina um modelo YOLO26 pré-treinado. O YOLO transfere e extrai automaticamente o conjunto de dados na primeira utilização.

Treinar com o Construction-PPE
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip",
    epochs=100,
    imgsz=640,
)

Consulta o guia de treino para ver as opções de configuração e o guia de validação para avaliar um modelo treinado. O notebook Construction-PPE inclui um tutorial passo a passo no Colab.

Aplicações#

  • Deteção de equipamento de proteção individual: localiza capacetes, luvas, coletes, botas e óculos de proteção.
  • Deteção de equipamento em falta: identifica exemplos visíveis de equipamento de proteção individual em falta para análise.
  • Análise de locais de trabalho: deteta pessoas e empilhadores em imagens de ambientes de construção e industriais.
  • Investigação e educação: compara modelos e estuda o treino com imagens recolhidas por pessoas e imagens geradas.

Licença e atribuição#

As imagens e anotações do conjunto de dados são disponibilizadas pela Ultralytics ao abrigo da licença CC BY 4.0, que permite a partilha e a adaptação, incluindo para uso comercial, desde que seja indicada a atribuição. Dá crédito à equipa da Ultralytics, inclui ligações para o conjunto de dados e para a licença e indica as alterações efetuadas.

Atribuição sugerida: Conjunto de dados Construction-PPE da Ultralytics, equipa da Ultralytics, novembro de 2026, CC BY 4.0.

Citação
@dataset{Ultralytics_Construction_PPE_2026,
    author = "{Ultralytics team}",
    title = {Ultralytics Construction-PPE Dataset},
    month = {November},
    year = {2026},
    license = {CC-BY-4.0},
    url = {https://docs.ultralytics.com/datasets/detect/construction-ppe},
    publisher = {Ultralytics}
}

Comentários9

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. Wally18796GitHub

    It represents the missing of an item. I recommend not using the "no" classes and use the person bounding box to detect missing item. e.g if a helmet bounding box is missing inside a "person" bouding boxes. It's automatically "no helmet"

    On Mon, 3 Aug 2026, 9:38 pm Panagiota Moraiti, @.***> wrote:

    Hello, may i ask what does the none class represents?

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/23364?email_source=notifications&email_token=A6BHGJNLIEEG3PDKZYO5CJD5IC5ZXA5CNFSNUABIM5UWIORPF5TWS5BNNB2WEL2ENFZWG5LTONUW63SDN5WW2ZLOOQXTCNZYHAZTEOBXUZZGKYLTN5XKOY3PNVWWK3TUUVSXMZLOOSWGM33PORSXEX3DNRUWG2Y#discussioncomment-17883287, or unsubscribe https://github.com/notifications/unsubscribe-auth/A6BHGJMNF5G3KG5GLTBGRH35IC5ZXAVCNFSNUABHKJSXA33TNF2G64TZHM2TGNJTGYYDINBVHNCGS43DOVZXG2LPNY5TSMZXGQZDINFBOYBA . You are receiving this because you commented.Message ID: @.*** com>

    1. panagiotamoraitiGitHub

      But what if the person is holding the helmet in their hand? With what you're proposing, the system won't raise an alert in that case, which isn't correct. The "No" classes exist for a reason in the dataset.

      I think the None class means "no vest," though I'm not 100% sure. When I removed it, results got worse, so it's doing something useful.

    2. Glenn JocherUltralytics

      You’re right that person–PPE association matters: a helmet merely inside a person box does not prove it is worn. However, none is a generic class and is not documented as no_vest; the Construction-PPE class list explicitly notes that no dedicated missing-vest class exists. Please keep questions and findings here so the Ultralytics team can clarify the source annotation semantics.

  2. Murat Raimbekov

    hey @nhatminh-115, the numbers back up your observation, though i'd be careful about calling it a "problem" - some of this looks intentional given how construction sites actually look. i pulled the dataset and counted instances:

    positive vs negative instances:

    splitpositivesnegativespos/neg ratio
    train541012674.27 : 1
    val7061464.84 : 1
    test7961545.17 : 1

    so yes, positives outnumber negatives roughly 4-5x in every split. but that ratio is actually close to what you'd see on real construction sites - most workers do wear ppe most of the time.

    per-class breakdown (train):

    classinstancescounterpartratio
    helmet (0)1341no_helmet (7) -> 4003.35
    gloves (1)1146no_gloves (9) -> 4422.59
    boots (3)1235no_boots (10) -> 8814.03
    goggles (4)419no_goggle (8) -> 3371.24
    vest (2)1269no_vest does not exist-

    a few things worth understanding before treating these as bugs:

    • no no_vest class: high-vis vests are essentially binary - they're either on or completely off, and they're very visible. a no_vest label would basically be "person box without overlapping vest box", which you can derive in post-processing without needing a dedicated class.
    • no_boots is rare (88 instances): boots are often occluded by trousers, dust, or camera angle, so annotators can't always confidently mark "missing boots". the rarity probably reflects what's actually verifiable in the imagery rather than an annotation gap.

    co-occurrence in training images (1142 total):

    • 900 contain only positive classes ("compliant" scenes)
    • 184 contain only negative classes ("non-compliant" scenes)
    • 56 contain both (~5%)
    • 2 contain neither

    the docs explicitly say the dataset "includes both compliant and non-compliant cases", which matches what we see - scenes tend to be one or the other, not heavily mixed.

    if your specific use case needs better recall on the no_* classes, the data distribution does work against you. some things that help:

    • class weighting or focal loss to compensate for imbalance
    • oversampling images containing negative-class instances
    • aggressive augmentation on rare classes (especially no_boots)
    • derive "missing PPE" rules in post-processing: detect Person boxes, then check for overlapping helmet / gloves / boots / vest, infer missing items from absence. this scales better with limited neg examples

    so: the imbalance is real, the data behaves as you described, but a lot of it is consistent with how the dataset is designed rather than an annotation defect.

  3. nhatminh-115GitHub

    I think this dataset has a huge problem of partial annotation and prior distribution. It works great on the Positive but kinda bad on Neg. Can anyone confirm on this or is it just me?

  4. Waqas7717GitHub
    # 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

    1,132 images for training really isn’t enough for anything close to a real-world setup. Most of these images are close-up shots of people clearly posing in helmets and vests. That’s not how this would work in practice. In a real deployment, you’re dealing with CCTV cameras fixed angles, wide shots, bad lighting, blur, occlusion, and workers far from the camera. I’ve spent the last year banging my head against the wall just trying to get models to cross 80% accuracy. This isn’t going to generalize. What’s actually needed is real CCTV footage of real workers on real sites not internet images of models wearing PPE.

    1. Wally18796GitHub

      Sir, have u found a solution or a better dataset? I'm trying to find one for my fyp sice you're saying it won't go up more than 80%, I don't wanna waste my time with it.

    2. hungtrieu07GitHub

      Sir, have u found a solution or a better dataset? I'm trying to find one for my fyp sice you're saying it won't go up more than 80%, I don't wanna waste my time with it.

      Lots of company will private this dataset for their AI team to process, so we have zero chance to get it in high quality :( I'm also get into this problem.