Conjunto de dados Construction-PPE da Ultralytics
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:
| Divisão | Imagens | Finalidade |
|---|---|---|
| Treinar | 800 | Treino do modelo |
| Validação | 200 | Avaliação durante o desenvolvimento |
| Total | 1,000 |
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:
| ID | Classe | Destino |
|---|---|---|
| 0 | helmet | Capacete de proteção |
| 1 | gloves | Luvas de trabalho |
| 2 | vest | Colete, casaco ou camisa de segurança de alta visibilidade |
| 3 | boots | Botas ou sapatos de trabalho de proteção |
| 4 | goggles | Óculos de proteção |
| 5 | Person | Pessoa |
| 6 | no_helmet | Cabeça visível sem capacete |
| 7 | no_goggle | Região dos olhos visível sem óculos de proteção |
| 8 | no_gloves | Mão visível sem luva |
| 9 | no_boots | Pé ou calçado visível sem calçado de proteção para trabalho |
| 10 | forklift | Empilhador |
| 11 | no_vest | Tronco 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 🚀 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.zipO 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.
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.
@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.
panagiotamoraiti
Hello, may i ask what does the none class represents?
1Wally18796
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>
panagiotamoraiti
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.
Glenn JocherUltralyticsYou’re right that person–PPE association matters: a helmet merely inside a person box does not prove it is worn. However,
noneis a generic class and is not documented asno_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.
Murat Raimbekovhey @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:
split positives negatives pos/neg ratio train 5410 1267 4.27 : 1 val 706 146 4.84 : 1 test 796 154 5.17 : 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):
class instances counterpart ratio helmet (0) 1341 no_helmet (7) -> 400 3.35 gloves (1) 1146 no_gloves (9) -> 442 2.59 boots (3) 1235 no_boots (10) -> 88 14.03 goggles (4) 419 no_goggle (8) -> 337 1.24 vest (2) 1269 no_vest does not exist - a few things worth understanding before treating these as bugs:
- no
no_vestclass: high-vis vests are essentially binary - they're either on or completely off, and they're very visible. ano_vestlabel 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
Personboxes, then check for overlappinghelmet/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.
- no
nhatminh-115
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?
Waqas7717
# 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 images1,132 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.
Wally18796
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.
hungtrieu07
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.



