借助 Ultralytics YOLO 模型，SiteAssist 实现了图像验证自动化，能够实时检测合规问题，并简化数千名用户和各类工地的安全工作流程。
建筑工地涉及吊装作业和动火作业等高风险活动，团队需要在开工前遵守严格的安全规程。为确认这些检查已完成，工作人员通常会通过数字化工作流程上传照片作为证明。
然而，审核这些图像并不总是简单明了。图像可能模糊、不完整，有时还会产生误导，因此很难确认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，结合多种工具和 AI 支持这些工作流程。具体而言，平台使用 computer vision 模型（如 Ultralytics YOLO models）分析上传的图像，帮助平台了解工地现场情况、标记无效提交并突出显示潜在问题。这减少了人工工作量，并帮助团队保持一致的安全标准。
使用 AI 提升建筑工地的安全性和合规性#
SiteAssist 是一个作业管控平台，面向管理建筑、基础设施和其他关键行业高风险活动的团队。它以结构化数字工作流程取代复杂的纸质流程，支持挖掘、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 来提升一致性、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，并确保安全要求得到一致执行。
如今，SiteAssist 为数千名工作人员提供支持，让团队能够更清晰地了解日常运营情况。可见性得到提升后，团队便能更好地控制安全流程。
为什么建筑安全检查难以在大规模场景下顺利进行#
确保建筑工地安全并顺利运行并不简单。大型项目通常涉及在多个地点作业的数千名工作人员，每个人都要执行高风险任务，并在开工前完成严格的安全检查。
为确认这些检查已完成，工作人员通常需要将照片作为证明上传到数字化工作流程或许可证系统中。但审核这些提交内容并不总是简单明了。
图像可能模糊、不完整，有时还会产生误导，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次提交，查看设备是否正确、设置是否妥当以及整体是否合规。
随着提交数量增加，这一过程会变得更加耗时，也更难保持一致的管理方式。同时，许多项目仍依赖纸质许可证或部分数字化的工作流程。
这会拖慢审批速度、造成瓶颈，并限制对现场活动的实时可见性。团队可能需要当面跟进或重复检查，从而进一步增加延误。
随着运营规模扩大，这些挑战使保持一致的安全标准变得更加困难，也增加了检查遗漏或延迟的风险。
借助 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采集并上传图像，每次提交都会在审批继续前完成验证。这有助于确保安全检查得到一致执行，即使现场条件不断变化。
在后台，每张上传的图像都会使用 Ultralytics YOLO 模型进行分析，并利用 object detection 和图像分类等视觉任务来了解现场存在的内容。
Ultralytics YOLO26 等模型已在 SiteAssist 自有数据集上进行微调，这些数据集由其平台从真实建筑工地收集的图像构建而成。其中包括约 45 类建筑相关对象，例如灭火器、安全装备、气罐以及常见的电动工具和机械设备。
系统会识别这些对象，并检查所需物品是否可见，同时标记缺失物品或不符合预期标准的内容。它还可以突出显示无效提交，例如并非在真实工地环境中拍摄的图像。在这些提交中，每张图像平均检测到 1.7 个对象；排除背景图像后，这一数字上升至 2.7 个，突显了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：
- 验证实时图像：系统可以检测上传的图像是否并非在真实环境中拍摄，例如屏幕照片，并将其标记出来供审核。
- 检测和计数设备：系统可以识别所需物品（例如灭火器），并检查现场是否有正确数量的物品。在某些情况下，光学字符识别（OCR）会与 YOLO 配合使用，以从图像中提取文本，例如读取标签来确定设备类型。
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 模型为 SiteAssist 的真实世界图像验证提供了所需的速度和准确性。图像在上传时即可快速处理，从而更容易在不造成延误的情况下执行安全检查。
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 个对象，展现了其在大规模场景下的可靠性能。
Ultralytics Python package 还让团队能够轻松使用从真实现场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到更多数据，模型性能可以持续提升。
从部署角度来看，YOLO 模型高效且灵活。目前，SiteAssist 将图像作为后端的一部分在云端处理，实时处理来自工作人员设备的上传内容。同时，模型也可以在设备本地运行，从而支持未来直接在现场进行处理的使用场景。
此外，借助对 export formats（如 ONNX 和 ExecuTorch）的支持，Ultralytics YOLO 模型可以集成到不同的边缘系统中，而不会增加复杂性。这为 SiteAssist 构建和扩展其视觉 AI 工作流程提供了切实可行且可扩展的方式。
SiteAssist 与 Ultralytics YOLO 提升实时安全检查能力#
目前，SiteAssist 为约 12,000 名活跃用户和大约 4,000 台设备提供支持，使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如今可以更快完成验证，有助于按时开工并减少延误。
YOLO 驱动的图像分析还提高了安全检查执行方式的一致性。提交内容会以更加结构化的方式进行评估，从而更容易识别缺失设备、人工生成的图像或不完整的检查。自 2025 年 1 月以来，最常检测到的对象包括超过 283,000 辆车辆、超过 201,000 人、近 68,500 张人工生成的图像，以及超过 55,000 个灭火器。
这让现场管理人员能够更清晰地了解正在进行的工作，也更有信心确认安全要求已经得到满足。
图 2. SiteAssist 使用 Ultralytics YOLO 检测到的一张人工生成照片示例。
此外，减少人工文书工作后，团队可以少花时间处理行政事务，将更多时间投入现场工作。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，以便在更靠近现场数据采集位置的地方运行 Ultralytics YOLO 模型。通过直接在设备上处理图像，团队旨在降低云端成本、改善数据隐私并支持实时决策。他们计划继续扩展这些能力，以实现更先进的实时安全和运营工作流程。
想将视觉 AI 引入你的运营流程吗？加入我们的社区，了解 AI in healthcare 和 vision AI in agriculture 等应用。访问我们的 GitHub repository，了解许可选项，立即开始使用！
