Visão computacional com YOLO26: detectando uso de EPIs na construção civil

Introdução

A inteligência artificial costuma ser associada a chatbots, geração de texto, automação de documentos e assistentes virtuais. Esses usos são importantes, mas representam apenas uma parte do que a tecnologia consegue fazer dentro das empresas.

Em muitos setores, principalmente na indústria, na logística, no varejo e na construção civil, uma parte relevante da operação acontece no mundo físico. O dado mais importante nem sempre está em uma planilha, em um CRM ou em um histórico de mensagens. Muitas vezes, ele está em uma câmera apontada para uma esteira de produção, para uma área de estoque, para uma loja, para uma máquina ou para um canteiro de obras.

É nesse contexto que a visão computacional se torna especialmente interessante. Ela permite que sistemas de inteligência artificial analisem imagens e vídeos para identificar objetos, pessoas, situações e padrões visuais. Em vez de trabalhar apenas com texto, a IA passa a interpretar cenas.

Neste artigo, vamos entender o que é visão computacional, o que é o YOLO26, por que esse tipo de modelo pode ser útil em aplicações de negócio e como um exemplo prático pode ser construído para um caso bem concreto: detectar se trabalhadores da construção civil estão usando equipamentos de proteção individual, também conhecidos como EPIs.

Para deixar a explicação mais prática, o artigo usa como base o seguinte repositório do Github, que contém um exemplo funcional com treinamento, avaliação e teste em vídeo usando o dataset Construction-PPE da Ultralytics: yolo26-construction-ppe-image-recognition.

O que é visão computacional?

Visão computacional, ou Computer Vision, é uma área da inteligência artificial dedicada à interpretação de imagens e vídeos. O objetivo é permitir que um sistema consiga extrair informação útil de conteúdo visual.

Na prática, isso pode significar várias coisas:

• identificar objetos em uma imagem;
• localizar onde esses objetos aparecem;
• classificar imagens em categorias;
• segmentar áreas específicas;
• reconhecer padrões visuais;
• acompanhar objetos ou pessoas em vídeo;
• detectar comportamentos, condições ou situações relevantes.

Um modelo de linguagem aprende relações entre palavras, frases e contextos textuais. Um modelo de visão aprende relações entre pixels, formas, cores, texturas, posições e padrões visuais. Ele não enxerga como uma pessoa enxerga, mas aprende, a partir de muitos exemplos, que determinadas combinações visuais costumam representar objetos ou situações específicas.

Imagine um fiscal de segurança caminhando por um canteiro de obras. Ele observa trabalhadores, equipamentos, áreas de circulação e possíveis situações de risco. Ao olhar para uma pessoa, ele percebe sinais: capacete, colete, botas, luvas, óculos, postura, localização, proximidade de máquinas e contexto da atividade.

Um sistema de visão computacional tenta transformar parte dessa percepção em um processo automatizado. A câmera fornece a imagem. O modelo analisa a cena. A aplicação interpreta os resultados e pode gerar alertas, registros ou indicadores.

Esse tipo de solução não substitui a responsabilidade humana, especialmente em ambientes de segurança. Mas pode funcionar como uma camada adicional de observação, ajudando equipes a acompanhar situações repetitivas, identificar padrões e agir mais rapidamente quando algo exige atenção.

O que é detecção de objetos?

Dentro da visão computacional, uma das tarefas mais comuns é a detecção de objetos.

A detecção de objetos combina duas perguntas:

1. O que aparece na imagem?
2. Onde isso aparece?

Quando um modelo detecta um capacete, por exemplo, ele normalmente retorna uma classe, como helmet (capacete, em Inglês), e uma caixa delimitadora, conhecida como bounding box, indicando a área da imagem onde aquele objeto foi encontrado.

Essa diferença é importante. Classificar uma imagem inteira como "canteiro de obras" é útil em alguns contextos, mas não resolve o problema de saber se um trabalhador específico está sem capacete. Para esse tipo de aplicação, o sistema precisa localizar elementos dentro da cena.

Em uma imagem de construção civil, um modelo de detecção pode encontrar várias classes ao mesmo tempo: pessoas, capacetes, coletes, luvas, botas, óculos de proteção e sinais de ausência de equipamento. Cada detecção vem acompanhada de uma posição e de uma pontuação de confiança.

É isso que permite construir aplicações mais próximas da rotina operacional. Em vez de apenas dizer que há trabalhadores na imagem, a solução pode indicar que uma pessoa foi detectada, que um capacete foi identificado em determinada região e que uma classe associada à ausência de luvas apareceu em outra parte da cena.

O que é YOLO?

YOLO vem de You Only Look Once (Você só olha uma vez). O nome ficou conhecido por representar uma família de modelos de detecção de objetos voltada a análises rápidas, com forte uso em aplicações que trabalham com imagens e vídeos.

A ideia geral é processar a imagem de forma eficiente para identificar objetos e suas posições. Ao longo dos anos, a família YOLO se tornou uma das referências práticas para detecção de objetos, principalmente quando a aplicação precisa equilibrar qualidade, velocidade e facilidade de uso.

Esse equilíbrio é importante em projetos reais. Em um ambiente empresarial, não basta o modelo funcionar bem em uma imagem isolada. Muitas vezes, a solução precisa analisar vídeo, operar em computadores com recursos limitados, responder em tempo aceitável e ser simples o suficiente para entrar em um fluxo de trabalho.

É por isso que YOLO costuma aparecer em exemplos de:

• monitoramento de segurança;
• contagem de objetos;
• inspeção visual;
• análise de tráfego;
• controle de acesso;
• rastreamento de pessoas ou veículos;
• detecção de equipamentos e itens em ambientes operacionais.

No caso deste artigo, o interesse está em usar YOLO para detectar equipamentos de proteção e possíveis violações de uso de EPI em cenas de construção civil.

O que é YOLO26?

O YOLO26 é uma família de modelos da Ultralytics voltada a tarefas de visão computacional em tempo real. Segundo a documentação oficial, ele foi projetado para servir como uma base unificada para diferentes tarefas visuais, incluindo detecção de objetos, segmentação, classificação, estimativa de pose e detecção orientada.

A documentação da Ultralytics apresenta o YOLO26 como uma evolução da família YOLO com atenção especial a eficiência e facilidade de uso em diferentes tipos de equipamento. Em termos práticos, isso significa tentar manter boa qualidade de detecção sem tornar o processamento pesado demais.

Alguns pontos técnicos aparecem com frequência na documentação e no artigo científico do modelo. Dois deles merecem uma explicação rápida:

• NMS, sigla de Non-Maximum Suppression, é uma etapa usada em muitos modelos de detecção para remover caixas duplicadas quando o sistema encontra várias possíveis posições para o mesmo objeto. Em termos simples, é como escolher a melhor marcação quando o modelo desenha várias caixas muito parecidas sobre o mesmo capacete ou a mesma pessoa.
• DFL, sigla de Distribution Focal Loss, é uma técnica usada durante o treinamento de alguns modelos para ajudar no ajuste das caixas que localizam os objetos. Esse é um detalhe mais interno do modelo, mas a ideia geral é melhorar como o sistema aprende a posicionar as marcações na imagem.

O YOLO26 propõe mudanças justamente em partes como essas. Ele busca simplificar etapas da detecção e reduzir processamento adicional, o que pode ser útil quando o objetivo é analisar imagens com mais rapidez ou rodar o modelo em equipamentos menos potentes.

No artigo técnico publicado no arXiv sobre o YOLO26, os autores descrevem a família como uma linha de modelos unificados para visão em tempo real, com cinco escalas principais e suporte a múltiplas tarefas de visão. A documentação da Ultralytics também destaca resultados em COCO, um conjunto de dados muito usado para comparar modelos de visão computacional, e medições de velocidade em hardware específico.

Esses números não devem ser interpretados como garantia de desempenho em qualquer ambiente. Resultado real depende de fatores como câmera, iluminação, tamanho da imagem, distância dos objetos, computador usado e configuração do projeto. Ainda assim, eles ajudam a entender por que o modelo é uma opção interessante para exemplos práticos de visão computacional.

Por que esse tipo de solução faz sentido para negócios?

Quando se fala em inteligência artificial aplicada a empresas, é comum que a primeira associação seja com atendimento, geração de conteúdo, análise de documentos ou automação de tarefas administrativas.

Essas áreas são relevantes, mas deixam de fora um conjunto grande de operações físicas. Em muitos negócios, parte importante da produtividade, da qualidade e do risco está em ambientes que podem ser observados por câmeras.

Alguns exemplos:

• na indústria, visão computacional pode apoiar inspeção de qualidade;
• na logística, pode ajudar a contar caixas, pallets ou veículos;
• no varejo, pode apoiar análise de prateleiras, fluxo de pessoas e prevenção de perdas;
• na agricultura, pode ajudar a identificar doenças em plantas ou falhas em lavouras;
• em segurança patrimonial, pode detectar acesso indevido ou permanência em áreas restritas;
• na construção civil, pode apoiar o monitoramento de uso de EPIs e condições visíveis de segurança.

A construção civil é um bom exemplo porque o problema é fácil de entender. O uso correto de capacete, luvas, colete, botas e óculos de proteção pode estar diretamente ligado à segurança do trabalhador e à conformidade operacional.

Uma câmera posicionada em uma área de circulação ou em um ponto crítico da obra pode gerar imagens continuamente. Um modelo de visão computacional pode processar essas imagens e identificar eventos que merecem atenção. A aplicação pode registrar ocorrências, gerar indicadores, destacar trechos de vídeo ou enviar notificações para responsáveis.

Esse tipo de aplicação ajuda a transformar observação visual em informação útil para a operação. A empresa passa a ter mais dados para acompanhar processos, identificar recorrências e apoiar decisões relacionadas a segurança, qualidade ou produtividade.

Qual problema vamos demonstrar?

O exemplo deste artigo usa o dataset Construction-PPE, mantido pela Ultralytics.

Um dataset é um conjunto de dados usado para treinar ou avaliar um modelo de inteligência artificial. Neste caso, o dataset contém imagens de construção civil com marcações indicando pessoas, equipamentos de proteção e situações de ausência de equipamento.

Esse dataset foi criado para detecção de EPIs em imagens de construção civil. Ele inclui classes de EPIs presentes e também classes associadas à ausência de equipamento. Isso é importante porque aproxima o treinamento do tipo de pergunta que uma empresa faria na prática.

O objetivo é identificar possíveis situações como:

• trabalhador sem capacete;
• trabalhador sem luvas;
• trabalhador sem botas;
• trabalhador sem óculos de proteção.

No repositório de exemplo, o arquivo construction-ppe.yaml define as classes usadas no treinamento. Um arquivo YAML é um arquivo de configuração em texto. Ele serve para informar ao programa onde estão os dados e quais nomes de classes o modelo deve aprender.

path: construction-ppe
train: images/train
val: images/val
test: images/test

names:
  0: helmet
  1: gloves
  2: vest
  3: boots
  4: goggles
  5: none
  6: Person
  7: no_helmet
  8: no_goggle
  9: no_gloves
  10: no_boots

download: https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip

Nesse arquivo, o dataset separa itens presentes, como helmet (capacete), gloves (luvas), vest (colete), boots (botas) e goggles (óculos de proteção), de classes de violação, como no_helmet (sem capacete), no_goggle (sem óculos de proteção), no_gloves (sem luvas) e no_boots (sem botas).

Essa estrutura é útil porque permite que a aplicação tenha uma leitura mais direta do risco operacional. O modelo aprende tanto a reconhecer equipamentos quanto a identificar algumas situações em que eles parecem estar ausentes.

O que existe no repositório de exemplo?

O repositório yolo26-construction-ppe-image-recognition organiza um fluxo completo para treinar, avaliar e testar o modelo.

Como o código de exemplo é mais técnico, antes de seguir, vale explicar alguns termos citados nessa parte do artigo:

• Python é a linguagem de programação usada no exemplo. Ela é muito comum em projetos de inteligência artificial por causa da grande quantidade de bibliotecas disponíveis.
• Biblioteca é um pacote de código pronto que facilita uma tarefa. Neste caso, a biblioteca da Ultralytics simplifica o uso dos modelos YOLO.
• Script é um arquivo com instruções de código que pode ser executado para realizar uma tarefa, como baixar dados, treinar o modelo ou processar um vídeo.
• Notebook é um formato interativo muito usado em ciência de dados e inteligência artificial. Ele permite misturar texto, código e resultados no mesmo arquivo.

A estrutura foi separada em etapas para facilitar o entendimento:

• requirements.txt: lista de dependências principais do projeto;
• construction-ppe.yaml: configuração do dataset;
• download_dataset.py: script opcional para baixar e extrair o dataset antes do treino;
• train.py: script de treinamento do YOLO26;
• evaluate.py: script de avaliação e geração de métricas;
• detect.py: script para analisar imagens, vídeos, pastas ou webcam;
• download_video.py: script auxiliar para baixar um vídeo de exemplo;
• notebooks/yolo26-construction-ppe.ipynb: notebook com o passo a passo;
• runs/train/ppe_yolo26n/weights/best.pt: arquivo com pesos já treinados para facilitar o teste.

Essa organização ajuda em dois cenários diferentes.

No primeiro, você pode baixar a base, treinar o modelo, avaliar as métricas e depois testar em vídeo. Esse caminho é melhor para entender o processo completo.

No segundo, você pode usar o arquivo best.pt já incluído no repositório e executar diretamente o teste em vídeo. Esse caminho é útil quando o objetivo é ver o exemplo funcionando antes de treinar o modelo do zero.

Como preparar o ambiente?

O projeto foi pensado para rodar com Python e a biblioteca da Ultralytics. Para evitar conflitos com outros projetos instalados no computador, o ideal é criar um ambiente virtual.

Um ambiente virtual é uma pasta isolada com as bibliotecas usadas apenas naquele projeto. Isso ajuda a manter as dependências organizadas.

Windows

No Windows, o fluxo básico é criar o ambiente virtual, ativá-lo e instalar as dependências:

py -3 -m venv .venv
.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
pip install -r requirements.txt

Se o PowerShell bloquear a ativação do ambiente virtual, é possível liberar a execução apenas para o processo atual:

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass

Depois disso, rode novamente:

.venv\Scripts\Activate.ps1

macOS e Linux

No macOS e no Linux, o processo é parecido. A diferença principal está no comando usado para ativar o ambiente virtual:

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
pip install -r requirements.txt

Em algumas instalações de Linux, pode ser necessário instalar o pacote de ambiente virtual do Python antes:

sudo apt install python3-venv

No macOS, se o Python não estiver instalado, uma opção comum é instalar pelo site oficial do Python ou por ferramentas como Homebrew.

As dependências principais do projeto incluem Ultralytics, OpenCV, Pillow, NumPy, PyYAML, Pandas, Matplotlib, Jupyter e yt-dlp.

ultralytics>=8.4.60
opencv-python>=4.9.0
pillow>=10.0.0
numpy>=1.26.0
pyyaml>=6.0
tqdm>=4.66.0
matplotlib>=3.8.0
pandas>=2.0.0
jupyter>=1.1.1
yt-dlp>=2025.5.22

O projeto pode rodar em CPU, ou seja, usando o processador comum do computador. Para treinos mais longos, uma GPU, que é um tipo de processador muito usado em tarefas gráficas e de inteligência artificial, tende a tornar a experiência mais rápida.

Como baixar o dataset?

O dataset pode ser baixado automaticamente pela Ultralytics durante o treinamento, porque o arquivo construction-ppe.yaml inclui a URL de download.

Mesmo assim, o repositório também inclui o script download_dataset.py, que permite baixar e extrair a base de forma explícita:

python download_dataset.py

Caso o sistema use python3 em vez de python, use:

python3 download_dataset.py

O diretório esperado é:

construction-ppe

Em um exemplo real, essa etapa também é uma boa oportunidade para olhar algumas imagens e entender se elas se parecem com o ambiente que você pretende analisar. Um modelo treinado com imagens de uma condição pode se comportar de maneira diferente quando aplicado a outra câmera, outro tipo de obra, outra iluminação ou outro padrão de uniforme.

Como treinar o modelo?

O treinamento é feito pelo script train.py.

A ideia é carregar um arquivo base, como yolo26n.pt, e ajustar o modelo para o dataset Construction-PPE.

O arquivo yolo26n.pt é um modelo YOLO26 já pré-treinado. A extensão .pt é usada em arquivos do PyTorch, uma biblioteca bastante usada em inteligência artificial. A letra n indica a versão nano, que é uma versão menor e mais leve do modelo. Ela costuma ser uma boa escolha para exemplos iniciais porque exige menos recursos do computador.

Em vez de começar do zero, o treinamento parte desse modelo base e adapta o aprendizado para as classes do dataset de EPIs. Esse processo é comum em visão computacional: aproveita-se um modelo que já aprendeu padrões visuais gerais e ajusta-se esse modelo para um problema específico.

No repositório de exemplo, o modelo foi treinando usando 100 épocas (repetições), e o computador utilizado possui uma GPU (relacionado à placa de vídeo), o que acelera o processo de treinamento. Se você não possui um computador com GPU dedicada para treinamento, é possível usar a CPU (processador), mas observe que o processo será demorado.

Um treinamento mais completo pode ser executado assim:

python train.py --model yolo26n.pt --epochs 100 --imgsz 640 --batch 16 --device 0 --workers 4

No macOS ou Linux, o comando é praticamente o mesmo:

Se o seu sistema usa python3, troque python por python3.

Nesse comando:

• --model yolo26n.pt define o modelo base;
• --epochs 100 define quantas vezes o treinamento passa pelo conjunto de imagens;
• --imgsz 640 define o tamanho usado para as imagens;
• --batch 16 define quantas imagens são processadas em cada lote;
• --device 0 usa a primeira GPU disponível;
• --workers 4 define quantos processos auxiliares ajudam a carregar os dados.

Para validar rapidamente se o ambiente está funcionando, o README sugere um teste pequeno em CPU:

python train.py --epochs 1 --fraction 0.05 --batch 2 --device cpu --workers 0 --name smoke_test

Esse teste curto ajuda a confirmar se as dependências foram instaladas, se o dataset está acessível, se o modelo base é baixado corretamente e se os arquivos de resultado são gerados.

Ao final do treinamento, os resultados ficam em uma pasta dentro de:

runs/train/<nome-do-teste>/

O peso mais importante normalmente será:

runs/train/ppe_yolo26n/weights/best.pt

Esse arquivo representa a melhor versão salva durante o treinamento e será usado nas próximas etapas.

Como avaliar o modelo?

Depois do treino, o próximo passo é avaliar o modelo com imagens separadas para teste. Isso é feito pelo script evaluate.py.

Um exemplo de avaliação é:

python evaluate.py --weights runs/train/ppe_yolo26n/weights/best.pt --split test --device 0

Em CPU:

python evaluate.py --weights runs/train/ppe_yolo26n/weights/best.pt --split test --device cpu

Essa etapa é importante porque ver o vídeo anotado não basta para entender se o modelo está bom. É preciso observar métricas.

Em detecção de objetos, algumas métricas comuns são precision (precisão), recall (recordação) e mAP.

De forma simplificada:

• precision ajuda a entender quantas marcações feitas pelo modelo estavam corretas;
• recall ajuda a entender quantos objetos relevantes o modelo conseguiu encontrar;
• mAP é uma métrica bastante usada para avaliar detecção de objetos, considerando classes e posição das caixas.

O script salva um arquivo chamado evaluation_summary.json.

Um arquivo JSON é um formato de texto muito usado para armazenar dados estruturados. Ele é parecido com uma ficha organizada em pares de nome e valor. Nesse caso, o arquivo guarda um resumo das métricas de avaliação.

Entre os campos salvos estão:

• map50_95;
• map50;
• map75;
• mean_precision;
• mean_recall;
• per_class_map50_95;
• totais de tp, fp e fn.

Esses resultados ficam em:

runs/val/<nome-do-teste>/

Essa avaliação ajuda a responder perguntas mais úteis do que apenas "o vídeo ficou interessante?". Por exemplo:

• quais classes o modelo reconhece melhor?
• ele erra mais quando o equipamento está presente ou quando está ausente?
• ele marca muitas violações que não existem?
• ele deixa passar muitas violações reais?
• a qualidade parece suficiente para gerar alertas ou apenas para análise posterior?

Essas perguntas ajudam a entender se o exemplo está funcionando bem e quais cuidados seriam necessários em um cenário real.

Como testar em vídeo?

A etapa mais visual (e na minha opinião, a mais interessante) do exemplo é a análise de vídeo, feita pelo script detect.py.

O repositório permite testar com imagens, vídeos, pastas ou webcam. Para o exemplo do artigo, o caminho mais simples é colocar um vídeo em:

videos/construction-workers.mp4

O README também inclui um script auxiliar para tentar baixar um vídeo de exemplo:

python download_video.py

Depois disso, a análise do vídeo pode ser executada com GPU:

python detect.py --weights runs/train/ppe_yolo26n/weights/best.pt --source videos/construction-workers.mp4 --device 0

Ou em CPU:

python detect.py --weights runs/train/ppe_yolo26n/weights/best.pt --source videos/construction-workers.mp4 --device cpu

O resultado esperado é um vídeo anotado salvo em:

runs/inference/construction-workers_detected.mp4

Caso o modelo tenha detectado os equipamentos de segurança, o vídeo gerado será o mesmo vídeo original, porém com caixas delimitando cada tipo de objeto detectado.

O ponto mais interessante do detect.py é que ele organiza a saída de uma forma mais próxima de uma leitura operacional.

Logo no começo do arquivo, o script define quais classes serão tratadas como violações:

VIOLATION_CLASSES = {"no_helmet", "no_goggle", "no_gloves", "no_boots"}

Com isso, as caixas associadas a violações são destacadas em vermelho. A classe Person (pessoa) recebe uma cor neutra, e os demais itens recebem uma "cor positiva". O script também desenha um painel informativo sobre o vídeo com dados como frame atual, FPS, total de detecções e total de violações.

Além do vídeo anotado, o processo salva um arquivo:

runs/inference/inference_summary.json

Esse resumo inclui informações como origem, arquivo de saída, número de frames processados, total de detecções, total de violações e tempo de processamento.

Na prática, isso permite sair de uma análise puramente visual e começar a registrar informações que poderiam alimentar relatórios, indicadores ou notificações.

Como esse exemplo poderia ser útil em uma empresa?

O exemplo apresentado aqui mostra um caminho simples: pegar imagens ou vídeos, detectar pessoas e equipamentos, identificar possíveis violações e gerar um resultado visual com informações resumidas.

Em uma empresa, essa mesma ideia poderia ser adaptada para diferentes necessidades. Na construção civil, por exemplo, a solução poderia ajudar equipes de segurança a acompanhar pontos críticos da obra e identificar padrões recorrentes de não conformidade.

Isso não significa tomar decisões automáticas contra trabalhadores. Em aplicações de segurança, a visão computacional tende a fazer mais sentido como apoio à observação e à revisão humana. O sistema pode apontar situações que merecem atenção, enquanto a equipe responsável interpreta o contexto e decide o que fazer.

Também é importante lembrar que regras de segurança variam conforme área, atividade e contexto. Em uma região da obra, determinado EPI pode ser obrigatório. Em outra, a exigência pode ser diferente. Por isso, o modelo visual deve ser combinado com regras de negócio claras.

Além da construção civil, a mesma lógica pode ser aplicada em outros setores:

• detectar ausência de uniforme ou equipamento obrigatório;
• acompanhar movimentação em áreas restritas;
• identificar objetos fora do lugar;
• monitorar uso de equipamentos em linhas de produção;
• contar itens em prateleiras, esteiras ou áreas de estoque;
• analisar imagens de inspeção visual.

O ponto central é que câmeras podem gerar dados úteis para a operação. Quando esses dados são analisados de forma consistente, a empresa ganha uma camada adicional de acompanhamento.

Onde agentes de IA entram nessa arquitetura?

O exemplo deste artigo termina em um vídeo anotado e em um arquivo com resumo de resultados. Mas o mesmo tipo de saída poderia alimentar outros sistemas.

Imagine que o sistema identifica repetidas ocorrências de no_helmet (sem capacete) através de uma câmera de vídeo. Em vez de apenas salvar o vídeo, a aplicação poderia registrar um evento com horário, câmera, tipo de violação e evidência visual.

A partir daí, um agente de IA ou um fluxo automatizado poderia assumir a próxima etapa:

• resumir o ocorrido em linguagem natural;
• enviar uma notificação para um supervisor;
• registrar um chamado em um sistema interno;
• consolidar indicadores por turno, obra ou equipe;
• gerar um relatório diário de conformidade;
• destacar imagens ou trechos de vídeo para revisão humana.

Nesse desenho, o modelo de visão computacional identifica o que aparece na imagem. O agente de IA ajuda a organizar a informação, comunicar as pessoas certas e conectar o evento com um processo de negócio.

Essa combinação é interessante porque aproxima a inteligência artificial visual do dia a dia da operação. A câmera deixa de ser apenas uma fonte de gravação e passa a contribuir com sinais que podem ser analisados, resumidos e encaminhados.

Quais cuidados esse tipo de solução exige?

Mesmo em um exemplo simples, alguns cuidados são importantes.

O primeiro é a qualidade da imagem. Iluminação, ângulo de câmera, resolução, distância, movimento, chuva, poeira e objetos encobrindo pessoas podem afetar bastante o resultado. Uma luva pode estar presente, mas invisível para a câmera. Um capacete pode aparecer parcialmente. Uma pessoa pode estar atrás de outra.

O segundo é o contexto. O modelo identifica padrões visuais, mas não entende sozinho todas as regras da empresa. Ele pode detectar ausência de capacete, mas não sabe se aquela área exige capacete naquele momento, a menos que essa regra seja incluída na aplicação.

O terceiro é a revisão humana. Modelos podem errar. Podem marcar uma violação que não aconteceu ou deixar de identificar uma situação real. Em ambientes de segurança, é importante usar a tecnologia como apoio e manter pessoas responsáveis na análise.

O quarto é a privacidade. Câmeras em ambientes de trabalho envolvem pessoas reais. Qualquer solução desse tipo precisa considerar políticas internas, legislação aplicável, transparência com colaboradores, retenção de dados e finalidade do monitoramento.

Se você possui uma demanda onde acredita que o uso de reconhecimento de imagens faça sentido e precisa de uma aplicação pensada para atender todos esses pontos, entre em contato conosco, nós podemos te ajudar.

Conclusão

Visão computacional é uma das aplicações mais concretas de inteligência artificial para empresas que operam no mundo físico. Quando a informação relevante está em imagens e vídeos, modelos como o YOLO26 ajudam a transformar cenas em dados que podem ser analisados, registrados e usados em processos operacionais.

O caso de detecção de EPIs na construção civil é um bom exemplo porque une um problema fácil de entender, valor operacional claro e um caminho técnico relativamente acessível para teste.

Com o dataset Construction-PPE, a biblioteca da Ultralytics e o repositório de exemplo apresentado neste artigo, é possível montar um fluxo completo: preparar o ambiente, treinar o modelo, avaliar métricas e testar a análise em vídeo.

Mais importante do que ver caixas sobre uma imagem é entender o que isso representa para o negócio. A empresa pode acompanhar melhor seus processos, identificar recorrências e criar respostas mais rápidas para situações que antes dependiam apenas de observação manual.

A tecnologia não elimina a necessidade de supervisão, governança e responsabilidade humana. Mas pode ajudar empresas a observar melhor seus ambientes físicos, gerar dados mais consistentes e apoiar decisões em áreas como segurança, qualidade, logística, varejo, agricultura e indústria.

Fontes

• Ultralytics YOLO26. Acesso em 07/06/2026.
• Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models. Acesso em 07/06/2026.
• Construction-PPE Dataset. Acesso em 07/06/2026.
• Object Detection Datasets Overview — Ultralytics YOLO Docs. Acesso em 07/06/2026.
• Ultralytics YOLO Tasks. Acesso em 07/06/2026.
• Ultralytics NMS Reference. Acesso em 07/06/2026.
• Ultralytics Loss Reference — DFLoss. Acesso em 07/06/2026.
• evgomes/yolo26-construction-ppe-image-recognition. Acesso em 07/06/2026.