A nivel mundial, la seguridad en el lugar de trabajo es una preocupación crítica, y las estadísticas destacan el impacto generalizado de los riesgos laborales. Según la Organización Internacional del Trabajo (OIT), se estima que ocurren 2.78 millones de muertes relacionadas con el trabajo en todo el mundo cada año, con 374 millones de lesiones y enfermedades no fatales en el lugar de trabajo. Estos incidentes resultan en costos económicos y sociales significativos, lo que enfatiza la urgente necesidad de medidas de seguridad efectivas en todas las industrias. El sector de la construcción, en particular, enfrenta desafíos sustanciales, contribuyendo con una parte notable a estas estadísticas debido a la naturaleza de sus operaciones. A medida que la tecnología, incluidos los algoritmos de visión por computadora y la robótica, continúa avanzando, hay una creciente oportunidad para mejorar los estándares de seguridad laboral a nivel global y mitigar el costo humano de los riesgos laborales a una escala más amplia. Este documento explora el desarrollo y la evaluación de dos algoritmos distintos diseñados para la detección precisa de equipos de seguridad en sitios de construcción. El primer algoritmo aprovecha la arquitectura Faster R-CNN, empleando ResNet-50 como su columna vertebral para una detección de objetos robusta. Posteriormente, los resultados obtenidos de Faster R-CNN se comparan con los del segundo algoritmo, Few-Shot Object Detection (FsDet). La selección de FsDet está motivada por su eficiencia en abordar el proceso intensivo en tiempo de compilar conjuntos de datos para el entrenamiento de redes en el reconocimiento de objetos. La metodología de investigación implica entrenar y ajustar ambos algoritmos para evaluar su rendimiento en la detección de equipos de seguridad. El análisis comparativo tiene como objetivo evaluar la efectividad de los nuevos métodos de entrenamiento empleados en el desarrollo de estos algoritmos de visión por computadora.