1. 项目背景与核心价值在公共场所禁烟监管和智能安防领域自动识别吸烟行为一直是个技术难点。传统监控系统依赖人工巡查效率低且容易遗漏。我们团队基于YOLOv8开发的这套吸烟识别系统通过深度学习实现了98.7%的实时检测准确率目前已在3个工业园区落地应用。这个项目的独特之处在于采用改进的YOLOv8s模型在自建数据集上mAP0.5达到0.92开发了带事件记录功能的可视化界面完整开源了包含20000标注样本的数据集提供从训练到部署的全套Python代码2. 技术架构解析2.1 模型选型与优化选择YOLOv8s作为基础模型相比YOLOv5有以下改进使用CSPNeXt骨干网络提升特征提取能力引入Task-Aligned Assigner正样本分配策略采用Distribution Focal Loss优化分类头我们针对吸烟检测做了三项关键改进# 在model.yaml中添加 neck: - [-1, 1, SPPF, [1024, 5]] # 扩大感受野 - [-1, 1, CBAM, []] # 添加注意力模块 head: loss: cls: 0.7 # 加大分类损失权重2.2 数据集构建收集了涵盖不同场景的吸烟图像数据室内/室外场景比例 3:7包含手持香烟、吸烟动作等6类标注数据增强策略Mosaic增强概率0.5HSV色域扰动±30%随机旋转±15度数据集分布示例场景类型训练集验证集测试集办公室3200400500工厂45006007003. 系统实现细节3.1 训练配置使用4×RTX3090进行分布式训练python train.py --img 640 --batch 64 --epochs 300 --data smoking.yaml --weights yolov8s.pt --device 0,1,2,3 --hyp hyp.scratch.yaml关键超参数设置初始学习率0.01余弦衰减优化器SGDmomentum0.9输入尺寸640×640早停策略100个epoch无改善3.2 推理优化采用TensorRT加速部署导出ONNX格式model.export(formatonnx, dynamicTrue, simplifyTrue)转换TensorRT引擎trtexec --onnxyolov8s.onnx --saveEngineyolov8s.engine --fp16 --workspace4096实测推理速度对比Tesla T4框架FP32延迟(ms)FP16延迟(ms)PyTorch45.232.7TensorRT18.611.34. 系统功能实现4.1 核心检测逻辑def detect_smoking(frame): # 预处理 img preprocess(frame) # 推理 results model(img) # 后处理 for det in results.pred[0]: if det[-1] 0: # 吸烟类别 send_alert(det[:4]) draw_bbox(frame, det) return frame4.2 UI界面功能基于PyQt5开发的主界面包含实时视频显示区域事件记录表格时间、位置、截图系统状态监控面板报警阈值调节滑块关键交互逻辑graph TD A[视频输入] -- B{吸烟检测} B -- 阳性 -- C[保存证据] B -- 阳性 -- D[触发报警] C -- E[数据库存储] D -- F[界面提示]5. 部署与优化建议5.1 边缘设备部署在Jetson Xavier NX上的优化方案使用Docker容器化部署开启NVIDIA硬件编码设置功率模式为MAXN实测性能分辨率功耗(W)FPS1080p2228720p18425.2 常见问题解决误报问题增加手持物品的负样本调整NMS阈值至0.45漏检问题添加小目标检测层使用SAHI切片推理6. 应用扩展方向多模态检测结合烟雾传感器数据增加热成像摄像头输入行为分析吸烟频率统计高危区域热力图系统集成对接消防报警系统联动通风设备控制项目源码已开源在GitHub仓库包含完整训练代码和预训练模型。在实际部署中发现适当降低检测阈值从0.5调到0.3可显著提升小目标检出率但需配合更严格的后处理逻辑。