基于深度学习的吸烟检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

视频演示

基于深度学习的吸烟检测系统

1. 前言​

大家好，欢迎来到Coding茶水间。今天我们要聚焦一个与公共健康、安全管理紧密相关的技术方案——基于YOLO算法的吸烟检测系统。在正式演示前，不妨先聊聊这个领域的现状与挑战：随着公共场所禁烟法规的普及（如机场、医院、校园、生产车间）和安全生产监管的强化，吸烟行为的精准识别已成为维护无烟环境、预防火灾风险的关键环节。然而，传统检测方式高度依赖人工巡查，不仅效率低下（易出现视觉疲劳导致的漏检）、响应滞后，更难以覆盖海量监控场景；现有部分自动化系统虽引入基础算法，却普遍存在场景适配单一（仅支持图片或视频其一）、功能碎片化（缺乏实时流处理、批量检测、结果分级与数据管理能力）、用户体验薄弱（参数调节复杂、无交互反馈）等问题，难以满足监管者对“高效、精准、易用”工具的核心诉求。

正是在这样的背景下，我们这套基于YOLO算法的吸烟检测系统应运而生。它以YOLO系列算法的高效目标检测能力为核心，突破传统局限：支持图片、视频、文件夹批量图片、实时摄像头流等多源输入，不仅能快速识别画面中是否存在吸烟行为，更能通过模型优化实现对吸烟动作的精准捕捉；系统界面采用模块化三区域设计——左侧集成模型加载（支持runs目录下多模型切换）、数据源选择与结果保存（生成带标注的可视化文件），中间区域提供置信度/交并比动态调节、检测耗时与目标统计实时反馈，辅以语音播报（预制警报音频可自定义替换）增强警示效果，右侧则通过类别统计、详情表格与点击联动展示，让检测数据一目了然。更值得关注的是，系统内置登录权限管理（支持注册、个人信息修改与注销）、脚本化检测（无需界面即可批量处理图片/视频/摄像头流）及模型训练脚本（基于6728张训练集+842张验证集，支持四模型并行训练与权重导出），真正实现“检测-分析-管理-迭代”全流程闭环。

从现场演示可见，无论是单张图片的即时判定、视频流的逐帧分析，还是文件夹批量处理与实时摄像头监控，系统均能稳定输出带标注结果的可视化内容，并通过表格导出汇总每帧/每张图片的检测数据（如301条视频帧数据、10张批量图片结果）；参数调节功能（如置信度阈值过滤低可信目标）进一步提升了检测灵活性，而训练脚本的加入更让非专业用户能基于自有数据集优化模型，适配不同场景（如光线复杂的生产车间、人员密集的公共场所）。这套系统不仅是对YOLO算法落地应用的深化，更是为吸烟行为“早发现、早预警、早干预”提供了轻量化、智能化的技术工具，有望在智慧监管、安全生产、无烟环境建设等领域发挥实际价值。接下来，让我们通过详细的功能演示，感受这套系统如何将“技术赋能监管”落到实处。

2. 项目演示

2.1 用户登录界面

登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。

2.2 新用户注册

注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。

2.3 主界面布局

主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。

2.4 个人信息管理

用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。

2.5 多模态检测展示

系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并且带有语音播报提醒，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。

2.6 检测结果保存

可以将检测后的图片、视频进行保存，生成新的图片和视频，新生成的图片和视频中会带有检测结果的标注信息，并且还可以将所有检测结果的数据信息保存到excel中进行，方便查看检测结果。

 

2.7 多模型切换

系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。

3.模型训练核心代码

本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。

# -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。

它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。

要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO

def main():
    """
    主训练函数。
    
    该函数负责执行YOLO模型的训练流程，包括：
    1. 配置预训练模型。
    2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
    3. 加载预训练模型。
    4. 使用指定参数开始训练。
    """
    # --- 1. 配置模型和路径 ---
    
    # 要训练的模型列表
    models_to_train = [
        {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
        {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
        {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
        {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
    ]
    
    # 获取当前工作目录的绝对路径，以避免相对路径带来的问题
    current_dir = os.path.abspath(os.getcwd())
    
    # --- 2. 动态配置数据集YAML文件 ---
    
    # 构建数据集yaml文件的绝对路径
    data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
    
    # 读取原始yaml文件内容
    with open(data_yaml_path, 'r', encoding='utf-8') as f:
        data_config = yaml.safe_load(f)
    
    # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
    # 这是为了确保ultralytics库能正确定位到训练、验证和测试集
    data_config['path'] = os.path.join(current_dir, 'train_data')
    
    # 将修改后的配置写回yaml文件
    with open(data_yaml_path, 'w', encoding='utf-8') as f:
        yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)
    
    # --- 3. 循环训练每个模型 ---
    
    for model_info in models_to_train:
        model_name = model_info['name']
        train_name = model_info['train_name']
        
        print(f"\n{'='*60}")
        print(f"开始训练模型: {model_name}")
        print(f"训练名称: {train_name}")
        print(f"{'='*60}")
        
        # 构建预训练模型的完整路径
        pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
        if not os.path.exists(pretrained_model_path):
            print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
            print(f"跳过模型 {model_name} 的训练")
            continue
        
        try:
            # 加载指定的预训练模型
            model = YOLO(pretrained_model_path)
            
            # --- 4. 开始训练 ---
            
            print(f"开始训练 {model_name}...")
            # 调用train方法开始训练
            model.train(
                data=data_yaml_path,  # 数据集配置文件
                epochs=100,           # 训练轮次
                imgsz=640,            # 输入图像尺寸
                batch=8,             # 每批次的图像数量
                name=train_name,      # 模型名称
            )
            
            print(f"{model_name} 训练完成！")
            
        except Exception as e:
            print(f"训练 {model_name} 时出现错误: {str(e)}")
            print(f"跳过模型 {model_name}，继续训练下一个模型")
            continue
    
    print(f"\n{'='*60}")
    print("所有模型训练完成！")
    print(f"{'='*60}")

if __name__ == "__main__":
    # 当该脚本被直接执行时，调用main函数
    main()

4. 技术栈

• 语言：Python 3.10

• 前端界面：PyQt5

• 数据库：SQLite（存储用户信息）

• 模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12

5. YOLO模型对比与识别效果解析

5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比

基于Ultralytics官方COCO数据集训练结果：

模型	尺寸(像素)	mAPval 50-95	速度(CPU ONNX/毫秒)	参数(M)	FLOPs(B)
YOLO12n	640	40.6	-	2.6	6.5
YOLO11n	640	39.5	56.1 ± 0.8	2.6	6.5
YOLOv8n	640	37.3	80.4	3.2	8.7
YOLOv5nu	640	34.3	73.6	2.6	7.7

关键结论：

1. 精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；

2. 速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；

3. 效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。

综合推荐：

• 追求高精度：优先选YOLO12n（精度与效率兼顾）；

• 需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；

• YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。

5.2 数据集分析

数据集中训练集和验证集一共7500张图片，数据集目标类别1种：吸烟，数据集配置代码如下：

train: ../train/images
val: ../valid/images
test: ../test/images
path: ../data/images

nc: 1
names: ['smoker']

 

上面的图片就是部分样本集训练中经过数据增强后的效果标注。

5.3 训练结果

混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。

F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。 

当置信度为0.401时，所有类别的综合F1值达到了0.89（蓝色曲线）。

mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。

图中可以看到综合mAP@0.5达到了0.916（91.6%），准确率非常高。

6. 源码获取方式

源码获取方式：https://www.bilibili.com/video/BV13nBDBxEdd