Construction-PPE 数据集#
Ultralytics Construction-PPE 数据集是一个目标检测数据集，包含 1,416 张图像（1,132 张用于训练、143 张用于验证、141 张用于测试），涵盖 11 个类别，用于检测安全帽、手套、背心、靴子和护目镜等个人防护装备，并识别建筑工地上缺失的装备。该数据集经过筛选，取材于真实施工环境，包含合规和违规情况，可用于训练监控工作场所安全的计算机视觉模型。
观看： 如何使用个人防护装备数据集训练 Ultralytics YOLO | 建筑行业 VisionAI 👷
数据集结构#
Construction-PPE 数据集包含 1,416 张图像，分为三个预定义子集，这些子集由 construction-ppe.yaml 配置定义：
| 划分 | 图像 | 标注 |
|---|---|---|
| 训练 | 1,132 | 是 |
| 验证 | 143 | 是 |
| 测试 | 141 | 是 |
每张图像都使用 Ultralytics YOLO 格式进行标注，确保兼容先进的目标检测和跟踪流程。
该数据集提供 11 个类别，涵盖穿戴的装备、缺失的装备以及人员：
- 穿戴的 PPE（5 类）：
helmet、gloves、vest、boots、goggles - 缺失的 PPE（4 类）：
no_helmet、no_gloves、no_boots、no_goggle - 其他（2 类）：
Person、none
将穿戴和缺失标签配对后，模型既能检测正确穿戴的装备，也能识别安全违规情况。请注意，vest 没有专门的缺失背心标签。
商业价值#
建筑业是危险性最高的行业之一，而其中的难点通常在于落实规定，而非缺少规定。健康与安全团队人手紧张，无法实时监控繁忙且不断变化的工地每个角落。
基于计算机视觉的 PPE 检测有助于弥补这一缺口。通过自动检查工人是否穿戴规定的安全帽、背心和其他装备，它可以在不同工地始终如一地执行安全规定，并揭示风险的先行指标——在事故发生前发现合规趋势。PPE 检测还可以识别未经授权闯入工地的人员，他们通常是最先没有穿戴适当安全装备的人。
应用场景#
Construction-PPE 可用于各种以安全为重点的计算机视觉应用：
- 自动合规监控：训练 AI 模型，即时检查工人是否穿戴安全帽、背心或手套等规定的安全装备，从而降低工地风险。
- 工作场所安全分析：跟踪 PPE 使用情况随时间的变化，发现频繁违规情况，并生成有助于改善安全文化的洞察。
- 智能监控系统：将检测模型连接到摄像头，在缺少 PPE 时发送实时警报，防止事故发生。
- 机器人与自主系统：让无人机或机器人在大型工地执行 PPE 检查，帮助更快、更安全地完成巡检。
- 研究与教育：为探索工作场所安全和人机交互的学生与研究人员提供真实场景数据集。
无需管理本地基础设施，即可使用 Ultralytics Platform 在浏览器中完成整个工作流，为 PPE 检测模型进行标注、训练和部署。
数据集 YAML#
Construction-PPE 数据集包含一个 YAML 配置文件，其中定义了训练、验证和测试图像的路径，以及完整的目标类别列表。你可以在此处直接访问 Ultralytics 仓库中的 construction-ppe.yaml 文件：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用法#
你可以使用 Construction-PPE 数据集训练 YOLO26n 模型 100 个轮次，图像尺寸设为 640。以下示例可帮助你快速入门。有关更多选项和高级配置，请参阅训练指南。
from ultralytics import YOLO
# 加载预训练模型
model = YOLO("yolo26n.pt")
# 使用 Construction-PPE 数据集训练模型
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)示例图像和标注#
该数据集涵盖了不同环境、光照条件和姿势下的建筑工人，并包含合规和违规情况。
许可与署名#
Construction-PPE 根据 AGPL-3.0 许可证开发并发布，在正确署名的前提下支持开源研究和商业应用。
如果你在研究中使用此数据集，请引用：
@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}
}常见问题#
与通用建筑数据集不同，Construction-PPE 明确包含装备缺失类别（
no_helmet、no_gloves、no_boots、no_goggle）。这种双重标注方式让模型不仅能检测穿戴的 PPE，还能实时识别违规情况。Construction-PPE 数据集包含 11 个类别：五种穿戴的 PPE（
helmet、gloves、vest、boots、goggles）、四种 PPE 缺失标签（no_helmet、no_gloves、no_boots、no_goggle），以及Person和通用的none类别。请注意，vest没有专门的缺失背心标签。Construction-PPE 数据集包含 1,416 张图像，涵盖 11 个类别，其中 1,132 张用于训练、143 张用于验证、141 张用于测试。完整的拆分和类别明细请参阅数据集结构部分。
数据集（178.4 MB）会在你首次使用
data="construction-ppe.yaml"训练时自动下载，无需手动操作。Ultralytics 会将其下载并解压到本地数据集目录。你可以在检测数据集概览中浏览相关数据集。你可以使用以下代码片段，通过 Construction-PPE 数据集训练 YOLO26 模型：
训练示例from ultralytics import YOLO # 加载模型 model = YOLO("yolo26n.pt") # 加载预训练模型（推荐用于训练） # 训练模型 results = model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)适用。图像取自真实建筑工地，涵盖多种不同条件，因此该数据集非常适合构建可部署的工作场所安全监控系统。
该数据集支持实时检测个人防护装备，有助于监控建筑工地上的工人安全。由于包含穿戴和缺失装备的类别，它可用于构建能够自动识别安全违规、生成合规洞察并降低风险的 AI 系统。此外，它还为开发工作场所安全、机器人和学术研究领域的计算机视觉解决方案提供了实用资源。