Construction-PPE 数据集

Construction-PPE 数据集旨在提高建筑工地的安全合规性，通过检测头盔、背心、手套、靴子和护目镜等基本防护装备，并对缺失的装备进行标注。该数据集从真实的施工环境中采集，涵盖了合规和不合规的情况，是训练监测工作场所安全的 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：包含已标注建筑图像的主要集合，展示了佩戴完整或部分 PPE 的工人。
• 验证集：指定的子集，用于在 PPE 检测和合规性监测过程中微调和评估模型性能。
• 测试集：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。

每张图像均采用 Ultralytics YOLO 格式进行标注，以确保与最先进的 目标检测 和 追踪 流水线兼容。

该数据集提供 11 个类别，分为正向（已佩戴 PPE）和负向（缺失 PPE）类别。这种正负双向结构使模型能够同时检测正确佩戴的装备 以及 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一，2023/2024 年英国发生的 123 起工作相关致命伤害中，有 51 起以上发生在建筑行业。然而，问题不再是缺乏监管，因为 42% 的建筑工人承认并不总是遵守相关流程。
• 建筑业已经受到广泛的健康与安全 (HSE) 标准框架的约束，但 HSE 团队在持续执行方面面临挑战。HSE 团队往往人手不足，既要平衡文书工作和审计，又无法实时监控繁忙且不断变化的环境的每一个角落。
• 这就是基于计算机视觉的个人防护装备 (PPE) 检测变得极其宝贵的地方。通过自动检查工人是否佩戴了头盔、背心和其他个人防护装备，你可以确保 HSE 规则不仅存在，而且能在所有工地上得到有效、持续的执行。除了合规性之外，计算机视觉还通过揭示团队遵守安全实践的情况，提供风险领先指标，使组织能够在合规性出现下滑趋势时及时发现，并在事故发生前进行预防。
• 此外，个人防护装备检测还被证明可以识别未经授权的工地闯入者，因为那些未配备适当安全装备的人最先触发通知。最终，PPE 检测是一个简单而强大的计算机视觉用例，它提供了全面的监管、可操作的洞察和标准化的报告，使建筑公司能够降低风险、保护工人并保障项目安全。

应用场景

Construction-PPE 为各种注重安全的计算机视觉应用提供支持：

• 自动化合规监测：训练 AI 模型即时检查工人是否佩戴头盔、背心或手套等必要的安全装备，降低现场风险。
• 工作场所安全分析：跟踪 PPE 的长期使用情况，发现频繁的违规行为，并生成洞察报告以改善安全文化。
• 智能监控系统：将检测模型与摄像头连接，在 PPE 缺失时发送实时警报，在事故发生前进行预防。
• 机器人和自主系统：使无人机或机器人能够在大型工地上进行 PPE 检查，从而支持更快速、更安全的巡检。
• 研究与教育：为探索工作场所安全和人机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，定义了训练和验证图像的路径以及完整的对象类别列表。你可以直接在 Ultralytics 仓库中访问 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

使用方法

你可以在 Construction-PPE 数据集上训练 YOLO26n 模型，设置 100 个 epoch，图像大小为 640。以下示例展示了如何快速上手。有关更多选项和高级配置，请参阅 训练指南。

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)

样本图像和标注

该数据集捕获了不同环境、光照条件和姿势下的建筑工人。其中包括合规和不合规的情况。

许可与归属

Construction-PPE 是在 AGPL-3.0 License 下开发和发布的，支持开源研究和商业应用，前提是需要进行适当的归属声明。

如果你在研究中使用了该数据集，请进行引用：

@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 (FAQ)

是什么让 Construction-PPE 数据集独一无二？

与通用的建筑数据集不同，Construction-PPE 明确包含了缺失装备的类别。这种双标签方法允许模型不仅能检测 PPE，还能实时标记违规行为。

包含哪些对象类别？

数据集涵盖了头盔、背心、手套、靴子、护目镜和工人，以及与之对应的“缺失 PPE”项。这确保了全面的合规覆盖。

我该如何使用 Construction-PPE 数据集训练 YOLO 模型？

要使用 Construction-PPE 数据集训练 YOLO26 模型，你可以使用以下代码片段：

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)

该数据集是否适用于现实应用？

是的。图像是从真实的施工现场采集的，涵盖了各种条件。这使其在构建可部署的工作场所安全监测系统方面非常有效。

在 AI 项目中使用 Construction-PPE 数据集有什么好处？

该数据集能够实现个人防护装备的实时检测，有助于监测建筑工地的工人安全。通过包含已佩戴和缺失装备的类别，它支持能够自动标记安全违规、生成合规性洞察并降低风险的 AI 系统。它还为在工作场所安全、机器人技术和学术研究领域开发计算机视觉解决方案提供了实用的资源。