Rilevamento dei DPI mancanti: addestra Ultralytics YOLO su Construction-PPE

Per rilevare i DPI mancanti in modo affidabile, etichetta solo ciò che la telecamera può vedere. Nel nuovo dataset Ultralytics Construction-PPE, una testa nascosta dietro una trave d'acciaio non indica un casco mancante. Solo una testa che puoi vedere chiaramente, senza casco, riceve un riquadro no_helmet; una testa occlusa o fuori dall'inquadratura, invece, non riceve alcuna etichetta di attrezzatura mancante.

Abbiamo pubblicato il dataset il 3 novembre 2026, con Ultralytics 8.4.200: 1.000 immagini, 12 classi e 14.863 riquadri di delimitazione revisionati per persone, carrelli elevatori, dispositivi di protezione e attrezzatura mancante visibile, con immagini e annotazioni distribuite con licenza CC BY 4.0. Tra le classi figurano una classe dedicata no_vest e una classe forklift; le annotazioni sono state revisionate dal team Ultralytics. Questa guida illustra i contenuti del dataset, il funzionamento delle regole di etichettatura dei DPI mancanti e come addestrare, convalidare e distribuire un modello Ultralytics YOLO26 su questo dataset.

Construction-PPE è un dataset revisionato per il rilevamento dei DPI, con 12 classi.#

Construction-PPE è un dataset originale di rilevamento degli oggetti per cantieri e siti industriali, creato e reso open source nel novembre 2026 dal team Ultralytics. Le immagini ritraggono cantieri, officine, magazzini, aree di carico e interventi di manutenzione, con punti di vista, illuminazione, disposizione dei lavoratori e attività dei carrelli elevatori diversi. È stato progettato per insegnare a un rilevatore sia l'aspetto dei dispositivi di protezione sia quello della loro assenza visibile.

Ecco i dati importanti da conoscere prima dell'addestramento, tratti dalla documentazione del dataset Construction-PPE:

• Dimensioni: 1.000 immagini e 14.863 riquadri di delimitazione distribuiti su 12 classi
• Suddivisione: suddivisione fissa 800/200 per addestramento e convalida, senza un set di test separato
• Formato: riquadri di delimitazione nel formato Ultralytics YOLO, pronti per l'addestramento senza conversione
• Immagini: immagini raccolte da persone e generate, con composizioni orizzontali, verticali e quadrate a risoluzioni diverse
• Annotazione: annotazione umana esperta combinata con annotazione automatica tramite IA, completata nel novembre 2026 dal team Ultralytics
• Licenza: immagini e annotazioni distribuite con licenza Creative Commons Attribuzione 4.0 Internazionale, che consente l'uso commerciale con attribuzione

Le immagini generate non sono fotografie di eventi reali, perciò il test finale di qualsiasi modello addestrato su questo dataset va eseguito su filmati delle telecamere che usi tu.

Puoi sfogliare tutte le immagini e le annotazioni su Ultralytics Platform, clonare il dataset nel tuo spazio di lavoro oppure addestrare direttamente su di esso.

A ogni classe di DPI corrisponde una classe di attrezzatura mancante#

Le 12 classi sono suddivise in tre gruppi: cinque classi di dispositivi di protezione, cinque classi di attrezzatura mancante e due classi per persone e veicoli che si spostano nell'area. Gli ID qui sotto corrispondono alle annotazioni e a construction-ppe.yaml:

A ogni classe di dispositivo di protezione corrisponde una classe «mancante». Questo abbinamento fornisce al modello esempi diretti di come si presenta un'assenza, così può contrassegnare una testa scoperta o un torso senza gilet come rilevamento a sé stante, invece di lasciare al tuo codice il compito di dedurre l'assenza da un riquadro mancante.

Le etichette dei DPI mancanti indicano parti del corpo visibili, non supposizioni#

Le classi di attrezzatura mancante richiedono una definizione precisa. Se gli annotatori disegnassero riquadri intorno a ogni testa sulla quale non riescono a vedere un casco, comprese quelle nascoste dietro travi o tagliate dal bordo dell'inquadratura, il modello imparerebbe che l'occlusione indica di per sé una violazione.

Construction-PPE applica una regola coerente a tutte e cinque le classi di elementi mancanti: un riquadro di attrezzatura mancante indica la parte visibile del corpo in cui dovrebbe trovarsi il dispositivo; una parte del corpo occlusa o fuori dall'inquadratura, da sola, non dimostra che il dispositivo manchi. In pratica:

• Un riquadro no_helmet viene assegnato a una testa visibile senza casco.
• Un riquadro no_gloves viene assegnato a una mano scoperta visibile, non a una mano nascosta dietro una cassetta degli attrezzi.
• Un riquadro no_vest viene assegnato a un torso visibile senza indumenti ad alta visibilità.
• Un riquadro no_boots viene assegnato a un piede o a una scarpa visibile che non costituisce una calzatura antinfortunistica.
• Un riquadro no_goggle viene assegnato a una zona oculare visibile senza occhiali protettivi.
• Le classi dei dispositivi di protezione racchiudono nel riquadro l'oggetto visibile stesso: il gilet ha un riquadro e la persona che lo indossa ne ha un altro.

A sinistra, la testa del lavoratore è nascosta dal pannello di compensato che trasporta, quindi le etichette non indicano se indossa o meno un casco. A destra, una testa scoperta visibile e un torso visibile senza indumenti ad alta visibilità ricevono entrambi riquadri di attrezzatura mancante.

Questo è importante per l'etichettatura dei dati anche al di fuori di questo dataset. Se estendi Construction-PPE con immagini delle tue telecamere, etichettale seguendo la stessa regola, altrimenti il modello riceverà due risposte contraddittorie alla stessa domanda. La lezione della nostra Academy sulle migliori pratiche di annotazione mostra come inserire questo tipo di regola in una guida all'etichettatura e perché una revisione con intervento umano individua i casi che sfuggono all'automazione.

Forklift e no_vest integrano le zone dei veicoli nello stesso modello#

Molte regole di cantiere riguardano la condivisione degli spazi tra persone e veicoli, non solo l'assenza di dispositivi di protezione. La classe forklift include veicoli e lavoratori nello stesso rilevatore, così un singolo modello YOLO26 può restituire in un'unica elaborazione un carrello elevatore, le persone nelle vicinanze e i torso visibili senza indumenti ad alta visibilità.

Con una classe dedicata no_vest, un modello addestrato su Construction-PPE può restituire in un'unica elaborazione i riquadri forklift, Person e no_vest per una baia di carico.

Collegare questi riquadri a un evento è una logica applicativa: abbinare ogni riquadro no_vest alla persona corretta, stabilire cosa si intende per «vicino» al carrello elevatore e definire per quanto tempo deve persistere una condizione. Se ti serve una misura di prossimità, la guida al calcolo della distanza calcola la distanza in pixel tra i centri dei riquadri selezionati; per le distanze reali serve la calibrazione della telecamera.

Addestra YOLO26 su Construction-PPE in poche righe#

Per iniziare, usa il pacchetto Python Ultralytics. Al primo utilizzo, YOLO scarica ed estrae l'archivio del dataset.

from ultralytics import YOLO

# Parti da un modello YOLO26 nano preaddestrato su COCO
model = YOLO("yolo26n.pt")

# Addestra sul dataset Construction-PPE
model.train(
    data="https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip",
    epochs=100,
    imgsz=640,
)

L'equivalente nella CLI è una sola riga:

yolo detect train model=yolo26n.pt data=https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip epochs=100 imgsz=640

Il modello YOLO26n è una scelta sensata per una prima esecuzione e per verificare la pipeline. Guanti, occhiali e stivali sono oggetti piccoli alle distanze tipiche delle telecamere di cantiere, quindi valuta una dimensione maggiore, come YOLO26s o YOLO26m, prima di decidere; la documentazione sull'addestramento descrive la dimensione delle immagini, quella dei batch e tutti gli altri parametri. Ultralytics mette inoltre a disposizione un notebook Colab per Construction-PPE se preferisci usare una GPU gratuita nel browser.

Preferisci non scrivere codice? Addestralo su Ultralytics Platform#

Su Ultralytics Platform, apri il dataset Construction-PPE e avvia l'addestramento nel cloud con un modello YOLO26, scegliendo nel browser epoche, dimensione delle immagini e GPU. Platform tiene traccia delle curve di perdita, di precisione, richiamo e mAP per epoca e ti permette di confrontare le esecuzioni affiancate. Per aggiungere immagini delle tue telecamere, clona il dataset da Explore (consulta la guida a Explore di Ultralytics Platform), caricale ed etichettale nell'editor di annotazione, dove Smart Annotation può preparare i riquadri da sottoporre alla tua revisione.

Valuta il modello per classe, non con un'unica media#

Un singolo valore di mAP non rivela ciò che una squadra addetta alla sicurezza deve sapere. Un modello può ottenere un buon punteggio complessivo perché rileva con affidabilità persone, caschi e gilet, ma non rilevare la maggior parte dei casi no_gloves o no_goggle. Convalida il modello consultando le metriche per classe:

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")
metrics = model.val()  # uses the dataset's 200-image validation split

print(f"mAP50: {metrics.box.map50:.3f}  mAP50-95: {metrics.box.map:.3f}")
for c in metrics.box.ap_class_index:
    print(f"{model.names[c]:>10}  mAP50-95: {metrics.box.maps[c]:.3f}")

Esamina prima le righe relative all'attrezzatura mancante e apri la matrice di confusione salvata durante la convalida. Se helmet e no_helmet vengono confusi, oppure una classe di elementi mancanti viene rilevata di rado, controlla le immagini non rilevate e verifica quante istanze di quella classe sono presenti nel set di addestramento prima di apportare altre modifiche. La guida alle metriche di prestazione di YOLO spiega come leggere ogni grafico.

Le 200 immagini di convalida provengono dalla stessa raccolta del set di addestramento. Prima della distribuzione, raccogli un set indipendente dalle telecamere che userai effettivamente e convalidalo a sua volta; usalo per misurare le prestazioni sul tuo sito.

Trasforma i rilevamenti di DPI mancanti in eventi verificabili#

Poiché l'attrezzatura mancante è una classe a sé, la prima versione di una regola di revisione può essere semplice: segnala ogni fotogramma che contiene un riquadro di DPI mancanti sopra una soglia di confidenza.

from ultralytics import YOLO

MISSING = {"no_helmet", "no_goggle", "no_gloves", "no_boots", "no_vest"}

model = YOLO("runs/detect/train/weights/best.pt")
for r in model.predict("site_camera_frame.jpg", conf=0.4):
    for cls, conf in zip(r.boxes.cls.int().tolist(), r.boxes.conf.tolist()):
        if r.names[cls] in MISSING:
            print(f"Review: {r.names[cls]} ({conf:.2f})")

Per i video, sostituisci predict con track. Il tracciamento degli oggetti assegna ID ai rilevamenti tra i fotogrammi. La tua applicazione associa poi ogni riquadro di DPI mancanti a una traccia di una persona, ad esempio controllando quale riquadro Person lo contiene, e applica regole di persistenza e di gestione degli eventi, in modo che chi effettua la revisione veda un solo evento invece di una raffica di fotogrammi:

Da Ultralytics 8.4.202, le predizioni salvate da flussi RTSP e webcam usano la frequenza dei fotogrammi specifica di ciascun flusso, così i filmati registrati vengono riprodotti alla velocità corretta. Quando il modello è pronto, esportalo in ONNX, TensorRT, OpenVINO o un altro formato per il tuo dispositivo edge, oppure distribuiscilo da Platform su un endpoint dedicato.

Un rilevatore segnala ciò che la telecamera riesce a vedere. Non può stabilire se un casco è certificato o se un gilet è danneggiato, quindi inoltra gli eventi a una persona che possa farlo.

A chi è destinato Construction-PPE#

Usa Construction-PPE come punto di partenza per rilevare i suoi cinque tipi di DPI, e la loro assenza, in cantieri, officine, magazzini o aree di carico. È la scelta giusta se ti serve:

• Rilevamento dell'attrezzatura mancante, non solo dei dispositivi di protezione. Cinque classi dedicate agli elementi mancanti, etichettate secondo una regola coerente basata sulla visibilità delle parti del corpo, forniscono al modello esempi diretti di dispositivi assenti.
• Consapevolezza di veicoli e pedoni in un unico modello. Insieme, forklift, Person e no_vest coprono il caso della baia di carico.
• Licenza del dataset chiara ed etichette pronte per l'addestramento. Le immagini e le annotazioni sono distribuite con licenza CC BY 4.0, che consente l'uso commerciale con attribuzione, e le etichette in formato YOLO possono essere usate per addestrare YOLO26 senza conversione. I modelli YOLO addestrati su questo dataset hanno una licenza separata; consulta la domanda sulla licenza qui sotto.

Se il tuo progetto richiede solo caschi e gilet su larga scala, Ultralytics Platform ospita anche Safety Helmet and Reflective Jacket, con 10.138 immagini e 2 classi. Per i soli caschi, Safety Helmet Detection contiene 5.000 immagini etichettate head, helmet e person. Per seguire l'intero flusso di lavoro sul sito, dalla definizione della prima regola al monitoraggio di una distribuzione, leggi la nostra guida al rilevamento dei DPI e alla sicurezza sul lavoro con Ultralytics.