使用 Ultralytics 实现 PPE 检测与工作场所安全

工作场所安全团队需要知道哪些地方缺少规定的防护装备，以及哪些情况值得关注。计算机视觉可以通过检测图像和视频中的人员、安全帽、高可视性背心及其他可见装备，让这些检查变得可衡量。

Ultralytics Platform 将完整的 PPE 检测工作流整合到一个工作空间中：准备数据、标注装备、训练 Ultralytics YOLO 模型、部署模型并监控部署表现。项目团队可以根据自己的摄像头和现场需求构建解决方案，并在整个项目中使用 Ultralytics 作为计算机视觉方案。

本指南将介绍如何将这一工作流用于实际的 PPE 监控，从第一份摄像头样本到经过验证的部署。

什么是 PPE 检测？#

个人防护装备（PPE）检测使用目标检测来定位防护装备并为其分配类别标签。模型可以为每顶可见的安全帽或每件背心返回一个边界框和置信度分数，同时检测人员。

监控应用随后会将这些预测结果与具体的工作场所规则关联起来。例如，装卸区检查可以查找上半身可见但未穿规定背心的人员。要做出这一判断，需要将装备与正确的人员关联起来，并处理装备被遮挡的视角。

首先选择摄像头能够清晰分辨的装备。安全帽和背心通常比耳塞或手套细节等小物件更适合作为初始目标。针对现场所需的类别进行训练和评估；不要假定通用预训练模型能够识别所有类型的 PPE。

Ultralytics 为这些工作流提供视觉能力。现场特定规则决定如何将模型输出转化为供安全团队审核的事件。

为什么使用 Ultralytics 实现工作场所安全计算机视觉？#

PPE 项目依赖一套可重复的流程，将摄像头录像转化为能在现场良好运行的模型。Ultralytics Platform 将数据集管理、标注、训练、模型导出、托管推理和部署监控整合在一起。同一工作空间既支持初始试点，也支持后续模型更新。

当出现新款安全帽、摄像头移动或生产线变更时，这种连续性就显得尤为重要。团队可以通过同一工作流更新数据、优化标签、比较训练轮次并部署改进后的模型。

将 Ultralytics YOLO26 作为新 PPE 检测项目的起点。根据你计划使用的硬件，测量检测质量和推理速度，再选择模型尺寸。

如何使用 Ultralytics Platform 构建 PPE 监控#

1. 定义一条可见规则并收集有代表性的数据#

从具体目标开始，例如检查建筑工地入口处的人员是否佩戴安全帽。明确摄像头视角、规定装备、工作时段，以及应用标记事件后审核人员应采取的措施。

从实际摄像头采集不同班次和条件下的样例。纳入逆光、部分遮挡、工人群体、空场景以及携带装备等情况。这些样例有助于区分目标情况和视觉上相似的情形。

按录像采集时段或摄像头划分训练和评估视频。来自同一片段的相邻帧应放在同一个数据集划分中，这样验证才能衡量模型在新场景中的表现。

Construction-PPE 数据集是探索 PPE 类别的实用起点。使用具有现场代表性的视频素材，判断模型是否已做好部署准备。

2. 统一标注 PPE#

将训练图像上传到 Ultralytics Platform，并定义所需类别。其标注编辑器支持手动绘制边界框，也支持在 Platform 托管的数据集上使用兼容模型进行智能标注。在训练前检查建议标签、补上遗漏的装备，并删除错误的框。

编写简短的标注指南，确保所有人对疑难情况的处理方式一致。手里拿着的安全帽属于可见装备，但这并不能证明此人正在佩戴安全帽。头部被遮挡时，也不应自动将其标为未戴安全帽的样例。

如果目标包括检测不规范佩戴，请明确定义可见状态，并收集足够的样例进行评估。只纳入摄像头实际能够呈现的差异。

3. 训练并比较 YOLO26 模型#

创建项目，选择已标注的数据集和 YOLO26 模型，然后在 Ultralytics Platform 中启动云端训练。跟踪训练指标，并在改进数据或调整模型配置时比较不同训练轮次的结果。

检查每个 PPE 类别的表现。总体分数很高，也可能掩盖小型护目镜或部分被机器遮挡的安全帽检测效果不佳的问题。除了精确率和召回率，还要检查漏检和误报。

使用来自预期部署场景的留出样例测试候选模型，其中应包括最难处理的摄像头视角。选择同时满足质量和延迟要求的模型。

4. 在摄像头运行的环境中部署#

Ultralytics 支持托管推理和模型导出。你可以为应用请求部署专用端点，也可以将模型导出为受支持的格式，以便在兼容的本地硬件上进行推理。ONNX 和 TensorRT 是 Ultralytics 工作流支持的部署格式示例。

对于连续摄像头视频流，请根据实际的视频流数量、图像尺寸和硬件测量吞吐量与延迟。消费这些视频流的应用还负责处理事件规则：装备与人员的关联、区域检查、跨帧持续性，以及将事件转交审核人员。Ultralytics 跟踪可以在视频帧间维持目标轨迹，为这些逻辑提供支持。

根据延迟、连接性和数据处理需求选择部署方案，并在发布前验证导出的模型或端点。

5. 审核结果并改进模型#

从小规模试点开始，并安排安全审核人员检查被标记的事件。测量误报和漏报；单纯减少警报可能会掩盖检测器漏掉过多事件的问题。

使用部署监控检查服务健康状况、请求延迟和错误。另行将抽样的摄像头结果与人工标签进行比对，以评估检测质量。仅凭基础设施指标无法证明 PPE 检测准确。

将难例纳入数据集，修正其标注，并在 Ultralytics Platform 中重新训练。在摄像头位置、装备、照明或现场布局发生重大变化后，重复这一审核流程。

什么样的 PPE 检测试点才有用？#

实用的试点会针对系统将遇到的具体情况回答以下问题：

• 摄像头能看清装备吗？ 检查相关距离下的目标大小、焦点、照明和遮挡物。
• 应用能将 PPE 与正确的人员匹配吗？ 检查人群和相互重叠的工人，也要考虑附近有人携带装备的情况。
• 系统漏掉相关事件的频率有多高？ 除了检查被标记的片段，还要审核一组带标签的正常运行样本。
• 每个班次有多少误报需要审核人员处理？ 衡量完整的事件工作流，包括对同一情况的重复检测。
• 响应速度够快吗？ 测量从图像采集、推理到进入审核队列或发出通知所需的时间。

在发布前商定验收标准。班次结束后审核的报告与即时通知，在时效和错误要求上并不相同。

围绕有用的观察结果设计监控#

PPE 监控可以使用目标检测和临时跟踪，无需增加人脸识别。明确系统用途，限制图像访问权限，并为任何存储的视频素材设定清晰的保留期限。

让审核人员结合实际情况解读不确定的检测结果。摄像头无法评估装备认证、隐藏的损坏，也无法评估其看不到的防护效果。利用检测结果支持现场检查、培训和既定安全流程。

开始使用 Ultralytics#

选择一个摄像头视角和一项 PPE 要求。收集具有代表性的图像并进行标注，训练 YOLO26 模型，再依据明确的试点标准评估结果。随着项目发展，Ultralytics 为团队提供一套统一的计算机视觉工作流，便于持续改进和扩展。

在 Ultralytics Platform 中启动 PPE 检测项目，或按照 Platform 快速入门指南构建你的第一个模型。