Construction-PPE 数据集#

1,416

Construction PPE

ultralytics

publicDetect

Official Ultralytics Construction-PPE object detection dataset with 1,416 images across 11 classes for helmets, gloves, safety vests, boots, goggles, people, and missing protective equipment. Includes 1,132 train, 143 validation, and 141 test images with 11,521 reviewed bounding boxes.

111 classes145.3 MBAug 21, 2026

helmetglovesvestboots+7

object-detectionconstructionppe+2

Ultralytics Construction-PPE 数据集是一个包含 1,416 张图像的object detection数据集（其中 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，用于检测个人防护装备（安全帽、手套、背心、靴子和护目镜）并标记施工现场的违规未佩戴情况。该数据集精选自真实的施工环境，包含合规和不合规的案例，是训练用于监控工作场所安全的computer vision模型的实用资源。

数据集结构#

Construction-PPE 数据集包含 1,416 张图像，由 construction-ppe.yaml 配置定义并划分为三个预定义的子集：

每张图像都使用Ultralytics YOLO格式进行标注，从而确保与最先进的object detection和tracking管道兼容。

该数据集提供了 11 个类别，涵盖了穿戴装备、缺失装备和人员：

• 已佩戴 PPE (5)：helmet、gloves、vest、boots、goggles
• 未佩戴 PPE (4)：no_helmet、no_gloves、no_boots、no_goggle
• 其他 (2)：Person、none

将已佩戴和未佩戴的标签结合使用，可以让模型既能检测正确佩戴的装备，又能标记安全违规行为。请注意，vest 没有专门的未穿反光衣标签。

商业价值#

建筑业是最危险的行业之一，其挑战通常在于执行而非缺乏法规。健康与安全团队人手不足，无法实时监控繁忙且不断变化的现场的每一个角落。

基于计算机视觉的 PPE 检测有助于缩小这一差距。通过自动检查工人们是否佩戴了所需的头盔、背心和其他装备，它能在各个站点一致地执行安全规则，并展示风险的前置指标——在事故发生前揭示合规趋势。PPE 检测还可以标记未经授权的现场入侵者，他们通常是第一个未穿戴适当安全装备出现的人。

应用#

Construction-PPE 为各种以安全为重点的计算机视觉应用提供支持：

• 自动化合规监控：训练 AI 模型即时检查工人是否佩戴了头盔、背心或手套等必要的安全装备，从而降低现场风险。
• 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，并生成改进安全文化的见解。
• 智能监控系统：将检测模型与摄像头连接，在发现缺少 PPE 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，支持更快、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一个真实世界的数据集。

要在不管理本地基础设施的情况下标注、训练和部署 PPE 检测模型，请在浏览器中使用Ultralytics Platform运行完整的工作流。

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对象类别的完整列表。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

用法#

你可以在 Construction-PPE 数据集上训练 YOLO26n 模型，训练 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Training guide。

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、光照条件和姿态下的建筑工人。其中包括合规和不合规案例。

许可与归属#

Construction-PPE 在AGPL-3.0 License下开发和发布，支持开源研究以及正确署名下的商业应用。

如果你在研究中使用此数据集，请引用它：

@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}
}

常见问题解答#