企业官网建设流程全解析

简介：本资源为面向目标检测任务的吸烟人群检测数据集，适用于计算机视觉方向的学生、算法工程师及科研人员，可用于训练和验证抽烟行为识别模型，覆盖自然生活场景与影视剧画面中的吸烟人物。数据集共包含2000个文件，全部为xml格式的标注文件，对应2000余张图片，压缩包整体约198.63MB，标注内容为边界框左上角与右下角的坐标信息，可直接用于目标检测训练，无需额外清洗或格式转换。目前已有685人学习下载，具备一定的使用参考价值。读者可获得一套开箱即用的吸烟行为检测数据，省去自行采集与标注的成本，便于快速搭建基线模型、验证算法效果，也可用于数据增强、模型对比实验或迁移学习等研究场景，适合作为目标检测入门与进阶的实战素材。

1. 吸烟人群检测数据集：从标注到 YOLO 训练，一条能跑通的链路

吸烟人群检测数据集，本质是一个面向目标检测任务的图像数据集，标注对象是「人」和「烟」两类目标，输出格式通常兼容 YOLO 系列。它的价值不在于数据量有多大，而在于场景聚焦——室内监控、公共场所摄像头、工地安全巡检这些场景里，通用 COCO 模型对「手持香烟」这个小目标的召回率经常掉到及格线以下。我最早接触这类需求是在一个园区安防项目里，客户要求对吸烟行为做实时告警，拿 COCO 预训练模型直接推理，烟头几乎全漏。后来自己整理了一份约 3000 张的吸烟场景数据集，用 YOLOv8 微调，mAP@0.5 从 0.41 拉到 0.78，才算能交付。这篇文章就把这条链路拆开讲：数据集长什么样、怎么标注、怎么转格式、怎么训练、坑在哪。适合手上有吸烟检测需求、准备自己训模型的工程师，也适合想拿这个数据集练手目标检测的新手。

2. 吸烟人群检测数据集的结构与标注规范

2.1 两类目标怎么定义：person 与 cigarette

吸烟检测的核心难点在于类别定义。很多人第一反应是只标「烟」，但实际落地时只标烟会出大问题：模型会把白色笔、细长反光物、手指间夹的杂物全判成烟。我的做法是固定两类——person和cigarette，其中cigarette只标注正在被手持或叼在嘴边的烟，桌上放着的烟盒、烟灰缸里的烟头一律不标。这样模型学到的是「人与烟的交互关系」，而不是单纯的细长物体检测。

标注框的粒度也要统一。person标全身或可见上半身，cigarette标烟的可见部分，哪怕只有几个像素也要标，因为小目标检测恰恰是这类数据集的训练重点。如果烟被手指遮挡超过一半，我一般会放弃这个框，避免引入噪声。

2.2 目录结构与标注文件格式

一份可直接用于 YOLO 训练的吸烟人群检测数据集，目录通常长这样：

smoking_dataset/ ├── images/ │ ├── train/ # 训练集图片，约 2400 张 │ ├── val/ # 验证集图片，约 400 张 │ └── test/ # 测试集图片，约 200 张 ├── labels/ │ ├── train/ # 与图片同名的 .txt 标注 │ ├── val/ │ └── test/ └── data.yaml # 数据集配置文件

图片格式统一为.jpg，标注为 YOLO 格式的.txt，每行五个值：class_id x_center y_center width height，全部归一化到 0~1。class_id为 0 表示person，1 表示cigarette。这里有个血泪经验：标注文件名必须和图片名严格一致，差一个字符 YOLO 就找不到标签，训练时 loss 直接不降，排查半天才发现是命名问题。

2.3 data.yaml 的写法与路径陷阱

data.yaml是 YOLO 训练的入口配置，写法如下：

# 吸烟人群检测数据集配置 path: /home/user/smoking_dataset # 数据集根目录，建议写绝对路径 train: images/train # 相对 path 的训练图片目录 val: images/val test: images/test nc: 2 # 类别数 names: 0: person 1: cigarette

参数说明：path用绝对路径最稳，相对路径在不同工作目录下启动训练时经常翻车；nc必须和names的条目数一致，写错会报索引越界；names的顺序要和标注里的class_id对应，0 和 1 写反了模型会把人和烟搞混。这个文件看着简单，但新手至少有一半的报错出在这里。

3. 从原始图片到 YOLO 格式：标注工具与转换脚本

3.1 标注工具选型：LabelImg 与 Roboflow 的取舍

标注工具我主要用两个。本地标注用 LabelImg，开源、离线、支持 YOLO 格式直接导出，缺点是界面老旧、多人协作麻烦。团队协作或需要在线审核时用 Roboflow，支持自动标注预填充、多人分工、版本管理，导出时直接选 YOLOv8 格式。如果数据涉及隐私不能上云，就老老实实用 LabelImg 或 Label Studio 本地部署。

标注时的操作要点：先标person再标cigarette，保证类别顺序一致；每张图标注完立刻保存，LabelImg 偶尔会丢未保存的框；遇到模糊图片直接跳过，不要硬标，模糊样本对训练只有负作用。

3.2 用 Python 脚本做格式转换与校验

如果你手上有的是 VOC 格式（.xml）或 COCO 格式（.json）的标注，需要转成 YOLO 格式。下面这个脚本处理 VOC 转 YOLO，并顺带做一次校验：

import os import xml.etree.ElementTree as ET from PIL import Image # VOC 转 YOLO，并校验标注合法性 def voc_to_yolo(xml_dir, img_dir, out_dir, class_map): os.makedirs(out_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() img_name = root.find('filename').text img_path = os.path.join(img_dir, img_name) if not os.path.exists(img_path): print(f'图片缺失，跳过: {img_name}') continue w, h = Image.open(img_path).size lines = [] for obj in root.findall('object'): cls_name = obj.find('name').text if cls_name not in class_map: continue cls_id = class_map[cls_name] bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) # 越界裁剪，防止归一化后超出 0~1 xmin, ymin = max(0, xmin), max(0, ymin) xmax, ymax = min(w, xmax), min(h, ymax) if xmax <= xmin or ymax <= ymin: print(f'非法框，跳过: {img_name}') continue xc = (xmin + xmax) / 2 / w yc = (ymin + ymax) / 2 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f'{cls_id} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}') out_path = os.path.join(out_dir, xml_file.replace('.xml', '.txt')) with open(out_path, 'w') as f: f.write('\n'.join(lines)) # 类别映射：person 为 0，cigarette 为 1 voc_to_yolo('annotations_xml', 'images', 'labels', {'person': 0, 'cigarette': 1})

逻辑说明：脚本遍历 XML 文件，读取图片真实宽高做归一化，这是 YOLO 格式的核心要求。越界裁剪那几行很关键，标注时手抖画出图片边界的框，不裁剪会导致归一化值大于 1，训练时直接报错。参数说明：class_map决定类别顺序，必须和data.yaml的names一致；out_dir输出的 txt 文件名和 XML 同名，后续要确保和图片名对齐。

3.3 数据集划分与防泄漏检查

划分训练/验证/测试集时，最大的坑是同一段视频的连续帧被分到不同集合，导致验证集精度虚高。正确做法是按视频源或拍摄场景划分，同一场景的图片只进一个集合。我一般按 8:1:1 划分，划分完跑一遍检查脚本，确认没有同名图片跨集合出现。如果数据集里有人物重复出现，还要检查同一人的图片是否被拆散，否则模型会记住人脸而不是学吸烟特征。

4. 用 YOLOv8 训练吸烟检测模型：参数配置与显存调优

4.1 环境搭建与最小训练命令

环境用 Python 3.10 + PyTorch 2.x + ultralytics 包。安装命令：

pip install ultralytics

最小训练命令如下：

yolo detect train \ data=smoking_dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ device=0

参数说明：model选yolov8n.pt是轻量版，适合先跑通链路；imgsz=640是标准输入尺寸，吸烟检测里烟目标小，可以尝试imgsz=960提升小目标召回，但显存占用会翻倍；batch=16在 8G 显存上比较稳，显存不够就降到 8 或 4；device=0指定第一块 GPU，CPU 训练会慢到无法接受。第一次训练建议先用 10 个 epoch 跑通，确认 loss 正常下降再拉满。

4.2 针对小目标的三个必调参数

吸烟检测的核心矛盾是烟太小。除了imgsz，还有三个参数值得调：

mosaic增强会把四张图拼成一张，烟这种小目标拼完可能只剩几个像素，适当降低比例有好处。copy_paste是 YOLOv8 支持的小目标增强手段，把烟抠出来贴到其他图上，能显著提升召回。我实测在 3000 张数据集上，这三个参数调完 mAP@0.5 能涨 5 到 8 个点。

4.3 训练过程监控与早停策略

训练启动后重点看三个指标：box_loss是否稳定下降、mAP@0.5是否上升、cls_loss是否震荡。如果box_loss降到 0.5 以下但 mAP 不涨，大概率是过拟合，加数据或加增强。早停用patience=20，20 个 epoch 没提升就停，省时间。训练日志和权重默认存在runs/detect/train/下，best.pt是验证集最优权重，部署时用这个而不是last.pt。

5. 吸烟检测落地的避坑与排查清单

5.1 标注类别不均衡导致烟类召回低

现象：训练完person的 AP 有 0.9，cigarette只有 0.4。原因：烟的目标框数量远少于人，模型偏向多数类。解决：用copy_paste增强烟样本，或在 loss 里给烟类更高权重，也可以在数据层面补充更多吸烟图片。我一般先看标注统计，烟框少于总框数 10% 就要警惕。

5.2 验证集精度高但实际推理漏检

现象：验证集 mAP 0.8，部署到摄像头画面里烟几乎检不到。原因：验证集和训练集同源，场景太相似，模型没学到泛化特征。解决：按场景划分数据集，验证集里放不同光照、不同角度的图片；部署前用真实摄像头截图做一次测试，别只看验证集数字。

5.3 图片和标签文件名不匹配

现象：训练启动后 loss 一直是 nan 或不下降。原因：labels目录里的 txt 文件名和images里的图片名对不上，YOLO 找不到标签，全当背景训练。解决：写个脚本比对两个目录的文件名集合，差集打印出来逐个修。这个坑我踩过两次，每次都是命名带空格或大小写不一致。

5.4 显存溢出导致训练中断

现象：训练到一半报 CUDA out of memory。原因：batch或imgsz设太大，或者workers开太多导致内存泄漏。解决：先把batch减半，再降imgsz，workers设成 4 或 8 别拉满。如果还不行，用yolov8n而不是yolov8m，轻量模型显存占用小很多。

5.5 推理时置信度阈值设错

现象：模型能检出烟但框太多，误报严重。原因：默认conf=0.25对吸烟场景偏低，很多细长物体被误判。解决：部署时把conf提到 0.4 到 0.5，同时开iou=0.5做 NMS。如果还是误报，检查训练数据里有没有把笔、数据线误标成烟，这种脏标注必须清掉。

6. 把吸烟检测模型压到边缘设备：量化与推理加速的一个具体技巧

训练完的best.pt在服务器上跑没问题，但园区项目往往要部署到 Jetson 或 RK3588 这类边缘盒子，这时候模型大小和推理速度就是硬指标。我常用的做法是导出 ONNX 再转 TensorRT，或者直接用 ultralytics 的导出命令做半精度量化。

先导出 ONNX：

yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640 half=True

half=True表示 FP16 半精度，模型体积直接减半，推理速度提升 30% 左右，精度损失通常在 1 个点以内，对吸烟检测这种二分类任务完全可接受。导出后在边缘设备上用 ONNX Runtime 或 TensorRT 加载，推理代码里注意预处理要和训练时一致：letterbox 缩放、BGR 转 RGB、归一化到 0~1，任何一步不一致都会导致精度暴跌。

如果边缘设备算力实在紧张，还可以做 INT8 量化，但需要准备校准集。校准集从验证集里抽 200 张有代表性的图片，覆盖不同光照和场景，量化后用测试集验证精度，掉超过 3 个点就说明校准集不够代表性，得补样本。我一般会保留 FP16 和 INT8 两个版本，线上先跑 FP16，算力不够再切 INT8。

验证量化模型是否可用，别只看 mAP，要在真实视频流上跑一遍，统计每秒检出帧数和误报次数。我习惯用一段 5 分钟的吸烟场景视频做回归测试，人工数出真实吸烟次数，和模型告警次数对比，召回率低于 85% 就回去查预处理和阈值。这套流程跑熟之后，从训练到边缘部署大概两天能完成一轮迭代。

最后一个习惯：每次训完模型，把data.yaml、训练命令、关键参数和 mAP 结果记到一个文本文件里，和权重放一起。下次换数据集或调参时，翻记录比翻聊天记录靠谱得多。吸烟检测这个方向数据质量比模型结构重要，标注干净、场景覆盖全，比换更大的模型管用。希望帮到你。

本文还有配套的精品资源，点击获取