A pesar de los avances en tecnología, equipos de seguridad y capacitación dentro de la industria de la construcción en las últimas décadas, la prevalencia de lesiones y accidentes fatales y no fatales sigue siendo una preocupación significativa entre los trabajadores de la construcción. Los cascos y chalecos de seguridad son equipos de seguridad cruciales conocidos por mitigar el trauma craneal severo y otras lesiones. Sin embargo, la adherencia a los protocolos de seguridad, incluido el uso de dicho equipo, suele ser insuficiente, lo que plantea riesgos potenciales para los trabajadores. Además, los sistemas actuales de monitoreo de seguridad manual son laboriosos y consumen mucho tiempo. Para abordar estos desafíos y mejorar la seguridad en el lugar de trabajo, hay una necesidad apremiante de automatizar los procesos de monitoreo de seguridad de manera económica, con tiempos de procesamiento reducidos. Esta investigación propone un pipeline basado en aprendizaje profundo para la identificación en tiempo real de incumplimientos con el uso de cascos y chalecos de seguridad, lo que permite a los oficiales de seguridad anticipar riesgos y mitigar peligros en los sitios de construcción. Evaluamos varias redes neuronales para implementación en el borde y encontramos que el modelo Single Shot Multibox Detector (SSD) MobileNet V2 sobresale en eficiencia computacional, lo que lo hace particularmente adecuado para esta tarea orientada a la aplicación. Los experimentos y análisis comparativos demuestran la efectividad del pipeline en identificar con precisión instancias de incumplimiento en diferentes escenarios, subrayando su potencial para mejorar los resultados de seguridad.