/ Модель

Характеристики

Размер весов
25,4 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Базовая модель
pixtral-12b
Библиотека
transformers
Опубликована
28 фев 2026

pixtral-12b-construction-safety

Изображение и текст → текст3 профессии

Дообученная Pixtral 12B анализирует изображения строительных площадок и выдаёт структурированные описания опасностей, нарушений СИЗ и их расположения.

16скачиваний за 30 дней2лайкавеса обновлены28 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Pixtral 12B Construction Safety — модель компьютерного зрения и языка на базе Pixtral 12B, дообученная автором репозитория для обнаружения и классификации опасностей на строительных площадках. Она принимает изображение и запрос, а в ответ формирует структурированный JSON с типами опасностей, уровнями серьёзности, приблизительными ограничивающими рамками и описаниями на английском и японском языках. Модель ориентирована на проверку средств индивидуальной защиты, включая каски и жилеты, а также на выявление опасностей падения и электрических рисков.

Модель дообучена с помощью LoRA на примерах, размеченных учителем Qwen3.5-27B; в обучении использовались наборы данных по безопасности строительства и внутренние справочные изображения. В оценке на 50 тестовых изображениях авторы сообщают о повышении полноты обнаружения нарушений относительно базового Pixtral 12B. Это результат ограниченной оценки, поэтому он не гарантирует аналогичного качества на других площадках и условиях.

Модель использует архитектуру LlavaForConditionalGeneration, обрабатывает изображения и текст и генерирует текстовый ответ. Лицензия — Apache-2.0. Она обучалась преимущественно на открытых строительных площадках; рамки объектов приблизительны, а распознавание погоды и освещения основано только на визуальных признаках. Для решений, критичных для безопасности, результаты следует проверять.

Сценарии применения

  • поиск отсутствующих касок и жилетов на фото стройплощадки
  • выявление рисков падения, включая незащищённые края и небезопасные леса
  • обнаружение видимых электрических опасностей на строительных объектах
  • формирование JSON-отчётов об опасностях с оценкой серьёзности и рамками объектов
  • билингвальное описание нарушений безопасности на английском и японском

Ограничения

Обучение преимущественно охватывало открытые стройплощадки, поэтому точность на внутренних ремонтных сценах может быть ниже. Ограничивающие рамки приблизительны, а распознавание условий среды опирается только на визуальные признаки; результаты оценки основаны на 50 тестовых изображениях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Pixtral 12B — Construction Safety VQA

A fine-tuned Pixtral 12B for construction site hazard detection and classification. Distilled from Qwen3.5-27B teacher annotations using LoRA, this model outputs structured JSON with bounding boxes, severity levels, and bilingual (EN/JP) descriptions.

Built for Mistral EvoBoard — an AI Safety Committee that runs multi-agent debates on construction site images.

Key Results

MetricBase Pixtral 12BFine-tuned (this model)Delta
Violation Recall0.3020.790+48.8 pp
Violation Accuracy0.6000.920+32.0 pp
Helmet Recall0.7710.804+3.3 pp
Detection Precision0.8500.855+0.5 pp

Evaluated on 50 COCO-format hardhat detection test images. The model dramatically improves violation recall — the ability to detect missing PPE — which is the most safety-critical metric.

Usage

With vLLM (recommended)

vllm serve a1273352/pixtral-12b-construction-safety \
  --tensor-parallel-size 2 \
  --max-model-len 8192 \
  --port 8200
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8200/v1", api_key="dummy")

response = client.chat.completions.create(
    model="a1273352/pixtral-12b-construction-safety",
    messages=[{
        "role": "user",
        "content": [
            {"type": "image_url", "image_url": {"url": "https://example.com/site.jpg"}},
            {"type": "text", "text": VISION_PROMPT},  # see below
        ],
    }],
    max_tokens=4096,
    temperature=0.1,
)

With Transformers

from transformers import AutoProcessor, LlavaForConditionalGeneration
from PIL import Image

model = LlavaForConditionalGeneration.from_pretrained(
    "a1273352/pixtral-12b-construction-safety",
    torch_dtype="bfloat16",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("a1273352/pixtral-12b-construction-safety")

image = Image.open("construction_site.jpg")
inputs = processor(text=VISION_PROMPT, images=image, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=4096, temperature=0.1)
print(processor.decode(outputs[0], skip_special_tokens=True))

Vision Prompt

The model was trained with this bilingual prompt (use it at inference for best results):

You are a construction safety vision system. Analyze the provided image of a construction site and identify ALL safety hazards.

For each hazard detected, provide:
1. type: Category — one of: fall_hazard, electrical_hazard, ppe_violation, equipment_hazard, public_safety, structural_hazard, cable_hazard, environmental_hazard
2. description: Bilingual description — English first, then Japanese in parentheses
3. confidence: 0.0–1.0
4. location: Bounding box as {x, y, width, height} in percentage of image (0–100)
5. severity: low / medium / high / critical

Also provide:
- site_type: "high_rise" | "road_construction" | "renovation" | "other"
- site_description: Bilingual description of the construction site
- environmental_conditions: weather, lighting, ground_condition

Return ONLY valid JSON.

Output Format

{
  "site_type": "high_rise",
  "site_description": "Multi-story building under construction with exposed steel framework (鉄骨フレームが露出した多層建築工事現場)",
  "hazards": [
    {
      "id": "H1",
      "type": "ppe_violation",
      "description": "Worker without hard hat near scaffolding (足場付近でヘルメット未着用の作業員)",
      "confidence": 0.92,
      "severity": "critical",
      "location": { "x": 35.2, "y": 42.1, "width": 8.5, "height": 15.3 }
    }
  ],
  "environmental_conditions": {
    "weather": "clear",
    "lighting": "daylight",
    "ground_condition": "dry"
  }
}

Training Details

Method

Teacher Distillation with LoRA — Qwen3.5-27B (served via vLLM) annotated ~950 construction site images with structured hazard JSON. The annotations were used to fine-tune Pixtral 12B via LoRA using MS-Swift + DeepSpeed ZeRO-2.

Dataset

Count
Source images1,001
Annotated images950
Training samples2,520 (2 prompt variants per image)
Validation samples114

Image sources:

Hyperparameters

ParameterValue
LoRA rank8
LoRA alpha32
LoRA dropout0.05
Target modulesall-linear
Learning rate1e-4
ViT learning rate1e-5
Aligner learning rate1e-5
Epochs5
Batch size1 (x4 grad accum x4 GPUs = effective 16)
Max sequence length4096
Warmup ratio0.05
Precisionbfloat16
OptimizerAdamW (DeepSpeed ZeRO-2)

Hardware

  • 4x NVIDIA H200 (141 GB) for training
  • 2x NVIDIA H200 for inference (vLLM, tensor parallel)

Hazard Categories

TypeDescription
fall_hazardUnguarded edges, missing guardrails, unsafe scaffolding
ppe_violationMissing hard hat, no safety vest, absent goggles
electrical_hazardExposed wiring, unsafe power tool usage
equipment_hazardImproperly secured machinery, crane risks
structural_hazardUnstable structures, compromised load-bearing elements
cable_hazardTripping hazards from cables and hoses
public_safetyRisks to bystanders, inadequate barriers
environmental_hazardWet surfaces, poor lighting, extreme weather effects

Evaluation

Evaluated using W&B Weave with 4 custom scorers:

  • JsonValidityScorer — JSON format compliance
  • HazardF1Scorer — Hazard type detection F1
  • SeverityAccuracyScorer — Severity classification accuracy
  • BBoxIoUScorer — Bounding box IoU

The primary improvement is in violation recall (+48.8 pp), which is the most safety-critical metric — missing a PPE violation in a real construction site can lead to injuries or fatalities.

Limitations

  • Trained primarily on outdoor construction sites; indoor renovation scenes may have lower accuracy
  • Bounding boxes are approximate (trained from VLM teacher, not manual annotation)
  • Environmental condition detection (weather, lighting) is based on visual cues only
  • Model inherits biases from the Pixtral 12B base and Qwen3.5-27B teacher

Citation

@misc{evoboard2026,
  title={Mistral EvoBoard: AI Safety Committee for Construction},
  author={Takashi Shibata},
  year={2026},
  url={https://github.com/TakashiShibata/Mistral-Hackathon-2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
1c43519

0 моделей