Das Tragen eines Sicherheitshelms ist in Bauprojekten und industriellen Fertigungsaktivitäten von entscheidender Bedeutung, um unangenehme Situationen zu vermeiden. Diese Sicherheitsvorschrift lässt sich durch die Entwicklung eines automatischen Helmdetektionssystems mithilfe verschiedener Ansätze aus dem Bereich Computer Vision und Deep Learning gewährleisten. Die Entwicklung eines auf Deep Learning basierenden Helmdetektionsmodells erfordert normalerweise eine enorme Menge an Trainingsdaten. In der Literatur existieren jedoch nur wenige öffentlich verfügbare Datensätze zu Sicherheitshelmen, wobei die meisten nicht vollständig annotiert sind und die wenigen vollständig gelabelten Datensätze nur wenige Klassen enthalten. In diesem Beitrag wird der Safety HELmet-Datensatz mit 5.000 Bildern (SHEL5K) vorgestellt, eine verbesserte Version des SHD-Datensatzes. Der vorgeschlagene Datensatz umfasst sechs vollständig annotierte Klassen: Helm, Kopf, Kopf mit Helm, Person mit Helm, Person ohne Helm sowie Gesicht. Der SHEL5K-Datensatz wurde auf mehreren state-of-the-art-Objektdetektionsmodellen getestet, darunter YOLOv3 (YOLOv3, YOLOv3-tiny und YOLOv3-SPP), YOLOv4 (YOLOv4 und YOLOv4pacsp-x-mish), YOLOv5-P5 (YOLOv5s, YOLOv5m und YOLOv5x), der Faster Region-based Convolutional Neural Network (Faster-RCNN) mit Architektur Inception V2 sowie YOLOR. Die experimentellen Ergebnisse verschiedener Modelle auf dem vorgeschlagenen Datensatz wurden miteinander verglichen und zeigten eine Verbesserung der mittleren Genauigkeit (mean Average Precision, mAP). Der SHEL5K-Datensatz bietet gegenüber anderen Datensätzen für Sicherheitshelme den Vorteil, dass er weniger Bilder mit höherer Annotationstiefe und mehr Klassen enthält, was die Genauigkeit der Helmdetektion signifikant erhöht.