Construction-PPE 数据集

Q: What makes the Construction-PPE dataset unique?

与通用的建筑数据集不同，Construction-PPE 明确包含了缺失的设备类别。这种双重标签方法使模型不仅可以检测 PPE，还可以实时标记违规行为。

Construction-PPE 数据集旨在通过检测必要的防护装备（如头盔、背心、手套、靴子和护目镜）以及缺失装备的注释，来提高建筑工地的安全合规性。它从真实的建筑环境中收集而来，包括符合和不符合标准的案例，使其成为训练监控工作场所安全的 AI 模型的宝贵资源。

数据集结构

Construction-PPE 数据集分为三个主要子集：

训练集：带注释的建筑图像的主要集合，其中包含佩戴完整和部分 PPE 的工人。
验证集：指定的子集，用于在 PPE 检测和合规性监控期间微调和评估模型性能。
测试集：一个独立的子集，专门用于评估最终模型在检测 PPE 和识别合规性问题方面的有效性。

每个图像都以 Ultralytics YOLO 格式进行注释，确保与最先进的对象检测和跟踪流程兼容。

该数据集提供 11 个类别，分为正（已穿戴 PPE）和负（缺失 PPE）类别。这种双重正/负结构使模型能够检测正确穿戴的装备并识别安全违规行为。

商业价值

建筑业仍然是世界上最危险的行业之一，在 2023/2024 年英国发生的 123 起与工作相关的致命伤害中，有超过 51 起发生在建筑业。然而，这个问题不再是缺乏监管的问题，42% 的建筑工人承认并非总是遵守流程。
建筑业已经受到健康和安全 (HSE) 标准的广泛框架的约束，但 HSE 团队面临着持续执行的挑战。HSE 团队通常捉襟见肘，既要处理文书工作和审计，又无法实时监控繁忙且不断变化的环境的每个角落。
这就是基于计算机视觉的个人防护设备 (PPE) 检测变得非常宝贵的地方。通过自动检查工人是否佩戴头盔、背心和其他个人防护设备，您可以确保 HSE 规则不仅存在，而且在所有场所都能得到有效且一致的执行。除了合规性之外，计算机视觉还通过揭示工作人员遵守安全规范的程度来提供风险的领先指标，使组织能够发现合规性的下降趋势，并在事故发生之前预防事故。
作为一项额外的好处，个人防护设备检测也被认为可以识别未经授权的现场入侵者，因为那些未配备适当安全装备的人是第一个触发通知的人。最终，PPE 检测是一个简单而强大的计算机视觉用例，可提供全面的监督、可操作的见解和标准化的报告，从而使建筑公司能够降低风险、保护工人并保障其项目。

应用

Construction-PPE 为各种以安全为中心的计算机视觉应用提供支持：

自动合规性监控：训练 AI 模型以立即检查工人是否佩戴了必需的安全装备，如头盔、背心或手套，从而降低现场风险。
工作场所安全分析：跟踪一段时间内的 PPE 使用情况，发现频繁的违规行为，并生成见解以改善安全文化。
智能监控系统：将检测模型与摄像头连接，以便在缺少 PPE 时发送实时警报，从而在事故发生前预防事故。
机器人和自主系统：使无人机或机器人能够在大型场所执行 PPE 检查，从而支持更快、更安全的检查。
研究和教育：为探索工作场所安全和人与物体交互的学生和研究人员提供真实世界的数据集。

数据集 YAML

Construction-PPE 数据集包含一个 YAML 配置文件，该文件定义了训练和验证图像路径以及完整的对象类别列表。您可以访问 construction-ppe.yaml 文件，直接在 Ultralytics 存储库中找到： https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/construction-ppe.yaml

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

您可以在 Construction-PPE 数据集上训练 YOLO11n 模型 100 个 epoch，图像大小为 640。以下示例展示了如何快速入门。有关更多选项和高级配置，请参阅训练指南。

训练示例

PythonCLI

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo11n.pt")

# Train the model on Construction-PPE dataset
model.train(data="construction-ppe.yaml", epochs=100, imgsz=640)

yolo detect train data=construction-ppe.yaml model=yolo11n.pt epochs=100 imgsz=640

Sample Images 和注释

该数据集捕捉了不同环境、光照条件和姿势下的建筑工人。合规和不合规的案例都包含在内。

Construction-PPE 数据集样本图像，显示了合规和不合规的安全装备检测

许可和归属

Construction-PPE 的开发和发布遵循 AGPL-3.0 许可证，通过适当的署名来支持开源研究和商业应用。

如果您在研究中使用此数据集，请引用它：

BibTeX

@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