PPEの未着用検出：Construction-PPEでUltralytics YOLOをトレーニング

PPEの未着用を確実に検出するには、カメラに映っているものだけをラベル付けします。新しいUltralytics Construction-PPEデータセットでは、鉄骨の梁の陰に隠れた頭部は、ヘルメット未着用として扱いません。ヘルメットを着用していない、実際に見えている頭部にのみno_helmetのボックスを付けます。遮蔽されている頭部やフレーム外の頭部には、未着用を示すラベルを一切付けません。

2026年11月3日、Ultralytics 8.4.200でデータセットを公開しました。画像1,000枚、12クラス、人物、フォークリフト、保護具、目視できる保護具の未着用に関するレビュー済みバウンディングボックス14,863個を収録し、画像とアノテーションはCC BY 4.0のライセンスで提供しています。クラスには専用のno_vestとforkliftが含まれ、アノテーションはUltralyticsチームがレビューしました。このガイドでは、データセットの内容、PPE未着用のラベル付けルール、そしてデータセットを使ってUltralytics YOLO26モデルをトレーニング、検証、デプロイする方法を説明します。

Construction-PPEは、12クラスを収録したレビュー済みのPPE検出データセットです#

Construction-PPEは、建設現場や工業施設向けにUltralyticsチームが作成し、2026年11月にオープンソースとして公開した、独自の物体検出データセットです。建設現場、作業場、倉庫、荷積みエリア、メンテナンス作業の画像を収録し、視点、照明、作業員の配置、フォークリフトの稼働状況もさまざまです。保護具の外観と、保護具が目視できる範囲で欠けている状態の両方を検出器に学習させることを目的としています。

トレーニングを始める前に確認しておきたい情報を、Construction-PPEデータセットのドキュメントから紹介します。

• 規模：12クラスにわたる画像1,000枚、バウンディングボックス14,863個
• 分割：トレーニング用800枚、検証用200枚の固定分割。独立したテストセットはありません
• フォーマット：Ultralytics YOLOフォーマットのバウンディングボックス。変換せずにトレーニングに使用できます
• 画像：人が収集・生成した画像。横長、縦長、正方形の構図で、解像度もさまざまです
• アノテーション：専門家による人手のアノテーションとAIによる自動アノテーションを組み合わせ、2026年11月にUltralyticsチームが完了しました
• ライセンス：画像とアノテーションはクリエイティブ・コモンズ 表示 4.0 国際の下で提供され、クレジット表記を条件に商用利用が可能です

生成画像は実際の出来事を撮影した写真ではありません。そのため、このデータセットでトレーニングしたモデルの最終テストは、実際に使用するカメラの映像で行う必要があります。

Ultralytics Platformで画像とアノテーションをすべて閲覧したり、データセットをワークスペースに複製したり、データセットを直接使ってトレーニングしたりできます。

すべてのPPEクラスに未着用を示す対応クラスがあります#

12クラスは、保護具クラス5つ、保護具未着用クラス5つ、現場を移動する人物と車両のクラス2つの3グループに分かれています。以下のIDはアノテーションとconstruction-ppe.yamlに対応しています。

各保護具クラスには、対応する「未着用」クラスがあります。この組み合わせによって、保護具がない状態をモデルに直接学習させられるため、ヘルメットのない頭部やベストを着用していない胴体を独立した検出対象としてマークできます。ボックスがないことから未着用を推測する処理を、コードに任せる必要はありません。

PPE未着用ラベルは、推測ではなく目視できる身体部位に付けます#

保護具未着用クラスには、明確な定義が必要です。梁の陰に隠れていたり、フレームの端で切れていたりする頭部も含め、ヘルメットを確認できない頭部すべてにアノテーション担当者がボックスを付けると、モデルは遮蔽そのものを違反の意味だと学習してしまいます。

Construction-PPEでは、5つの未着用クラスすべてに一貫したルールを適用しています。未着用を示すボックスは、保護具を着用するはずの目視できる身体領域に付けます。身体部位が遮蔽されている、またはフレーム外にあるだけでは、保護具の未着用とは判断しません。具体的には、次のとおりです。

• ヘルメットを着用していない、目視できる頭部にno_helmetのボックスを付けます。
• 目視できる素手にno_glovesのボックスを付けます。工具箱の陰に隠れた手には付けません。
• 高視認性衣類を着用していない、目視できる胴体にno_vestのボックスを付けます。
• 保護用作業靴ではない、目視できる足または靴にno_bootsのボックスを付けます。
• 保護眼鏡を着用していない、目視できる目の周辺にno_goggleのボックスを付けます。
• 保護具クラスでは目視できる保護具そのものにボックスを付けるため、ベストと着用者にはそれぞれ別のボックスが付きます。

左側の作業員は、運んでいる合板の陰に頭部が隠れているため、ヘルメットの有無についてラベルは付いていません。右側の作業員は、目視できる頭部にヘルメットがなく、胴体にも高視認性衣類がないため、どちらにも未着用を示すボックスが付いています。

このルールは、このデータセット以外でのデータラベリングにも重要です。Construction-PPEを自分のカメラ画像で拡張する場合も、同じルールでラベル付けしてください。そうしないと、モデルは同じ質問に対して矛盾する答えを学習します。Academyのアノテーションのベストプラクティスのレッスンでは、このようなルールをラベリングガイドに記述する方法と、人間参加型レビューによって自動化で見落とすケースを検出できる理由を説明しています。

フォークリフトとno_vestで、車両の周辺状況も同じモデルで把握できます#

現場のルールには、保護具の未着用だけでなく、人と車両が同じ空間を共有する状況に関するものも多くあります。forkliftクラスにより、車両と作業員を同じ検出器で扱えます。そのため、1つのYOLO26モデルでフォークリフトとその近くにいる人物、高視認性衣類を着用していない目視可能な胴体を一度の推論で返せます。

専用のno_vestクラスを使用すると、Construction-PPEでトレーニングしたモデルは、荷積み場のforklift、Person、no_vestのボックスを一度の推論で返せます。

これらのボックスをイベントに結び付ける処理は、アプリケーション側のロジックです。各no_vestボックスと適切な人物を対応付け、フォークリフトの「近く」をどう定義するかを決め、状態がどれくらい続いたらイベントとするかを設定します。近接距離を測定する場合、距離計算ガイドでは選択したボックスの中心間のピクセル距離を計算します。実世界の距離を求めるには、カメラのキャリブレーションが必要です。

数行のコードでYOLO26をConstruction-PPE上でトレーニング#

まず、Ultralytics Pythonパッケージを使います。初回使用時に、YOLOがデータセットのアーカイブをダウンロードして展開します。

from ultralytics import YOLO

# COCOで事前トレーニングしたYOLO26 nanoモデルから開始します
model = YOLO("yolo26n.pt")

# Construction-PPEアーカイブでトレーニングします
model.train(
    data="https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip",
    epochs=100,
    imgsz=640,
)

CLIでは、次の1行で同じ処理を実行できます。

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

パイプラインの確認には、YOLO26nモデルが最初の実行に適しています。現場カメラの距離では手袋、ゴーグル、ブーツは小さく映るため、モデルのサイズを決める前にYOLO26sやYOLO26mなど大きいモデルと比較してください。トレーニングのドキュメントでは、画像サイズ、バッチサイズ、その他すべての引数について説明しています。ブラウザー上で無料のGPUを使いたい場合は、Ultralyticsが公開しているConstruction-PPE用Colabノートブックも利用できます。

コードを書かずに使いたい場合は、Ultralytics Platformでトレーニングできます#

Ultralytics PlatformでConstruction-PPEデータセットを開き、YOLO26モデルを使ったクラウドトレーニングを開始します。エポック数、画像サイズ、GPUはブラウザーで選択できます。Platformでは損失曲線、エポックごとの適合率、再現率、mAPを追跡し、実行結果を並べて比較できます。独自のカメラ画像を追加するには、Exploreからデータセットを複製し（Ultralytics Platform Exploreガイドを参照）、画像をアップロードしてアノテーションエディターでラベル付けします。Smart Annotationで作成したボックス案を確認することもできます。

単一の平均値ではなく、クラスごとにモデルを評価します#

単一のmAPの値では、安全管理チームが知る必要のある情報が隠れてしまいます。人物、ヘルメット、ベストを確実に検出できるため全体のスコアは高くても、no_glovesやno_goggleのケースの大半を見逃すモデルもあります。クラスごとの指標で検証してください。

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}")

まず未着用クラスの行を確認し、検証時に保存される混同行列を開きます。helmetとno_helmetが混同されている場合や、未着用クラスがほとんど検出されない場合は、見逃した画像を調べ、ほかの変更を加える前にトレーニング用データにそのクラスのインスタンスがいくつ含まれているか確認してください。YOLOの性能指標ガイドでは、各グラフの読み方を説明しています。

検証用画像200枚は、トレーニングセットと同じデータ収集元の画像です。デプロイ前に、実際に運用するカメラから独立したデータセットを収集して検証し、そのデータを使って現場での性能を測定してください。

PPE未着用の検出結果をレビュー可能なイベントに変換します#

保護具の未着用が独立したクラスになっているため、最初のレビュー用ルールは簡潔にできます。信頼度しきい値を超えるPPE未着用ボックスを含むフレームにフラグを付けます。

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})")

動画の場合は、predictをtrackに置き換えます。物体追跡では、フレーム間の検出対象にIDが割り当てられます。アプリケーション側で、各PPE未着用ボックスを人物のトラックに関連付けます。たとえば、ボックスを含んでいるPersonボックスを確認します。さらに、継続時間とイベントのルールを適用すれば、レビュー担当者には大量のフレームではなく1つのイベントが表示されます。

Ultralytics 8.4.202以降、RTSPストリームとWebカメラから保存した推論結果は、各ストリーム固有のフレームレートを使用するため、録画クリップは適切な速度で再生されます。モデルの準備ができたら、モデルをエクスポートしてONNX、TensorRT、OpenVINOなどのフォーマットでエッジデバイスに配置するか、Platformからデプロイして専用エンドポイントで利用できます。

検出器が報告できるのは、カメラで見える内容です。ヘルメットが認証済みか、ベストが破損しているかは判断できないため、イベントは判断できる人に確認してもらってください。

Construction-PPEの利用対象#

建設現場、作業場、倉庫、荷積みエリアで、5種類のPPEとその未着用を検出するための出発点としてConstruction-PPEを使用してください。次のようなニーズに適しています。

• 保護具の検出だけでなく、未着用も検出できます。目視できる身体部位に関する一貫したルールでラベル付けされた5つの専用未着用クラスにより、保護具がない状態をモデルに直接学習させられます。
• 1つのモデルで車両と歩行者を認識できます。forklift、Person、no_vestを組み合わせることで、荷積み場のケースに対応します。
• データセットのライセンスが明確で、ラベルはすぐにトレーニングに使用できます。画像とアノテーションはCC BY 4.0で提供され、クレジット表記を条件に商用利用が可能です。YOLOフォーマットのラベルは、変換せずにYOLO26のトレーニングに使用できます。このデータセットでトレーニングするYOLOモデルには別のライセンスが適用されます。下記のライセンスに関する質問をご覧ください。

プロジェクトで必要なのがヘルメットとベストの大規模な検出だけであれば、Ultralytics Platformで公開されているSafety Helmet and Reflective Jacketも利用できます。画像10,138枚と2クラスを収録しています。ヘルメットのみを扱う場合は、Safety Helmet Detectionに画像5,000枚があり、head、helmet、personのラベルが付いています。最初のルールの定義からデプロイ後の監視まで、現場でのエンドツーエンドのワークフローについては、Ultralyticsを使ったPPE検出と職場の安全のガイドをご覧ください。