借助 Ultralytics YOLO 模型，SiteAssist 实现了图像验证自动化，可实时检测合规问题，并为数千名用户和多个工地简化安全工作流程。
建筑工地涉及吊装作业和动火作业等高风险活动，团队必须在开工前遵守严格的安全规程。为确认已完成这些检查，工人通常需要通过数字工作流程上传照片作为证明。
然而，审核这些图像并不总是那么简单。图像可能不清晰、不完整，有时甚至会误导审核人员，因此很难确定安全要求是否确实得到满足，尤其是在大型项目中。
SiteAssist 通过其数字平台支持这些工作流程，并结合使用多种工具和 AI。具体来说，平台采用计算机视觉模型，例如 Ultralytics YOLO 模型，分析上传的图像，帮助平台了解工地现场情况、标记无效提交并指出潜在问题。这减少了人工工作量，并帮助团队始终遵守统一的安全标准。
利用 AI 提升建筑工地的安全与合规水平#
SiteAssist 是一款作业控制平台，专为管理建筑、基础设施和其他关键行业中高风险活动的团队打造。平台以结构化数字工作流程取代复杂的纸质流程，支持开挖、动火、吊装和受限空间作业等任务。
Balfour Beatty、Taylor Woodrow (VINCI)、Skanska 和 HG Construction 等公司使用 SiteAssist 来提高一致性、保持合规并确保项目顺利推进。通过将许可证和工作流程数字化，该平台帮助团队识别潜在风险，并确保始终如一地落实安全要求。
如今，SiteAssist 为数千名工人提供支持，让团队更清晰地了解日常运营情况。更高的可见性让团队能够更好地控制安全流程。
为什么建筑安全检查难以大规模落实#
确保建筑工地安全并顺利运转并非易事。大型项目通常涉及分布在多个地点的数千名工人，每个人都要执行高风险任务，并在开工前通过严格的安全检查。
为确认这些检查已经完成，工人通常需要将照片作为证明上传到数字工作流程或许可证系统中。但审核这些提交内容并不总是那么简单。
图像可能不清晰、不完整，有时还会误导审核人员，因此很难确认安全要求是否确实得到满足。审批人员必须逐一手动检查每份提交内容，查看设备是否正确、设置是否恰当，以及整体上是否符合要求。
随着提交数量增加，这一流程会变得更加耗时，也更难保持一致性。同时，许多项目仍然依赖纸质许可证或部分数字化的工作流程。
这会拖慢审批、造成瓶颈，并限制对工地活动的实时了解。团队可能需要到现场跟进或重复检查，从而进一步延误进度。
随着运营规模扩大，这些挑战会让统一维持安全标准变得更加困难，也会增加漏检或延迟检查的风险。
利用 Ultralytics YOLO 模型实现可靠的安全检查#
SiteAssist 将许可证工作流程与实时图像验证相结合，简化了安全检查。团队无需依赖人工审核，而是可以直接在现场拍摄并上传图像，每份提交内容都会在审批继续进行前完成验证。这有助于确保安全检查始终得到落实，即使现场条件不断变化也不例外。
在后台，每张上传的图像都会使用 Ultralytics YOLO 模型进行分析，并借助目标检测和图像分类等视觉任务，了解工地现场有哪些物体。
例如，Ultralytics YOLO26 等模型已使用 SiteAssist 自有数据集进行微调。这些数据集由平台从真实建筑工地收集的图像构建而成，涵盖约 45 种建筑相关物体，例如灭火器、安全装备、气罐以及常见电动工具和机械。
系统会识别这些物体，并检查是否能看到规定的物品，同时标记缺失物品或不符合预期标准的情况。系统还可以标记无效提交，例如并非在真实工地环境中拍摄的图像。在这些提交内容中，系统平均每张图像检测到 1.7 个物体；排除背景图像后，这一数字升至 2.7，凸显出工地上有意义活动的密集程度。
以下是 Ultralytics YOLO 模型在 SiteAssist 中的两个应用示例：
- 验证真实现场图像：如果上传的图像并非在真实环境中拍摄，例如屏幕照片，系统可以检测出来并将其标记为待审核。
- 检测和计数设备：系统可以识别灭火器等规定物品，并检查数量是否正确。在某些情况下，系统会将光学字符识别 (OCR) 与 YOLO 结合使用，从图像中提取文本，例如读取标签来判断设备类型。
图 1. 在 SiteAssist 中使用 Ultralytics YOLO 模型检测灭火器（来源）
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型具备 SiteAssist 实际图像验证所需的速度和准确性。图像上传后即可快速处理，让团队能够顺畅地开展安全检查，无需等待。
事实上，自 2025 年 1 月以来，SiteAssist 已使用 Ultralytics YOLO 模型处理超过 770,918 张图像，检测到超过 1,302,315 个物体，展现了模型在大规模应用中的可靠性能。
Ultralytics Python 软件包还让用户能够轻松利用从真实工地工作流程中收集的数据训练和微调模型。这意味着随着时间推移、采集的数据不断增加，模型性能也能持续提升。
从部署角度来看，YOLO 模型高效且灵活。SiteAssist 目前通过后端在云端处理图像，实时处理工人设备上传的内容。同时，模型也可以在设备本地运行，从而支持未来直接在工地现场处理数据的应用场景。
此外，Ultralytics YOLO 模型支持 ONNX 和 ExecuTorch 等导出格式，因此能够轻松集成到不同的边缘系统中。这样，SiteAssist 就能以实用且可扩展的方式构建和扩展视觉 AI 工作流程。
SiteAssist 与 Ultralytics YOLO 助力实现实时安全检查#
目前，SiteAssist 为约 4,000 台设备上的约 12,000 名活跃用户提供支持，让大型复杂项目能够高效扩展安全工作流程。
通过引入自动化图像验证，团队减少了对人工审核的依赖，并加快了审批流程。过去需要反复检查的任务现在可以更快地完成验证，有助于按时开工并减少延误。
由 YOLO 驱动的图像分析也提高了安全检查执行方式的一致性。系统以更有条理的方式评估提交内容，让团队更轻松地发现缺失设备、人工合成图像或未完成的检查。自 2025 年 1 月以来，最常检测到的物体包括超过 283,000 辆车辆和超过 201,000 人，以及近 68,500 张人工合成图像和超过 55,000 个灭火器。
这样，工地管理人员就能更清楚地了解正在进行的工作，也能更有把握地确认安全要求是否得到满足。
图 2. SiteAssist 使用 Ultralytics YOLO 检测到的一张人工合成照片示例。
此外，减少手动文书工作后，团队可以少花时间处理行政事务，把更多时间用于现场工作。因此，运营更加顺畅，不同地点的安全流程也更加可靠。
将视觉驱动的建筑安全工作流程带到边缘端#
展望未来，SiteAssist 正在探索边缘 AI，以便在工地现场更靠近数据采集位置运行 Ultralytics YOLO 模型。通过直接在设备上处理图像，团队希望降低云端成本、增强数据隐私并支持实时决策。团队计划继续拓展这些能力，以支持更先进的实时安全和运营工作流程。
想在运营中引入视觉 AI 吗？加入我们的社区，了解医疗保健领域的 AI和农业领域的视觉 AI等应用。访问我们的 GitHub 代码仓库，并了解许可选项，立即开始！
