这次我们来看一个基于YOLOv8的吸烟识别检测系统这个项目提供了完整的源码、数据集、模型权重和UI界面适合想要快速部署吸烟检测应用的开发者。项目最大的亮点是开箱即用从环境配置到界面操作都做了完整封装。对于需要监控吸烟行为的场景比如公共场所管理、安全生产监控等这个系统可以直接拿来部署使用。系统基于YOLOv8目标检测算法专门针对吸烟动作进行了优化训练检测准确率较高。下面我会重点介绍系统的核心能力、部署步骤和实际使用效果。1. 核心能力速览能力项说明检测目标吸烟行为识别手持香烟、吸烟动作算法框架YOLOv8目标检测硬件需求支持CPU/GPU推理GPU推荐4G以上显存启动方式Python脚本启动带Web UI界面推理速度根据硬件配置CPU约2-10FPSGPU可达30FPS输入支持图片、视频流、实时摄像头输出结果检测框、置信度、统计信息批量任务支持图片/视频批量处理接口能力提供Python API接口系统采用YOLOv8的预训练权重在专门的吸烟数据集上进行了微调对吸烟行为的检测效果比较稳定。UI界面提供了实时预览、参数调整和结果导出功能适合不同技术水平的用户使用。2. 适用场景与使用边界这个吸烟识别系统主要适用于以下场景适用场景公共场所吸烟监控商场、医院、学校等安全生产区域监控加油站、化工厂等禁烟区域办公场所吸烟行为管理视频内容审核和过滤使用边界提醒检测效果受拍摄角度、光照条件影响远距离、遮挡严重的吸烟行为可能漏检需要确保使用符合隐私保护法规商业使用时需确认数据采集的合法性特别要注意的是在部署使用前必须确认监控区域的告知义务确保符合相关法律法规要求。系统检测结果仅供参考重要决策需要人工复核。3. 环境准备与前置条件在开始部署前需要准备以下环境操作系统要求Windows 10/11、Ubuntu 18.04、CentOS 7推荐使用Linux系统获得更好性能Python环境Python 3.8-3.103.11可能存在兼容性问题建议使用conda或venv创建虚拟环境硬件要求CPU4核以上推荐Intel i5或同等性能内存8GB以上视频处理推荐16GB显卡可选有GPU可大幅提升速度存储至少5GB可用空间含模型文件软件依赖CUDA 11.3如果使用GPUcuDNN 8.2GPU加速FFmpeg视频处理建议先检查系统环境确保没有端口冲突默认使用7860端口。4. 安装部署与启动方式4.1 环境配置步骤首先创建并激活Python虚拟环境# 创建虚拟环境 conda create -n smoking_detection python3.9 conda activate smoking_detection # 或者使用venv python -m venv smoking_env source smoking_env/bin/activate # Linux/Mac smoking_env\Scripts\activate # Windows安装项目依赖包# 安装PyTorch根据CUDA版本选择 # CUDA 11.3 pip install torch1.12.1cu113 torchvision0.13.1cu113 --extra-index-url https://download.pytorch.org/whl/cu113 # 或者CPU版本 pip install torch1.12.1cpu torchvision0.13.1cpu # 安装项目依赖 pip install ultralytics opencv-python pillow numpy pandas pip install streamlit matplotlib seaborn # UI相关依赖4.2 项目文件结构准备下载项目源码后确保文件结构如下smoking_detection/ ├── models/ # 模型权重文件 │ ├── yolov8n.pt │ └── smoking_detection.pt ├── datasets/ # 数据集 │ ├── images/ │ └── labels/ ├── src/ # 源代码 │ ├── detection.py │ ├── ui.py │ └── utils.py ├── requirements.txt └── run.py # 主启动文件4.3 启动系统方式一直接启动Web UIpython run.py --mode webui --port 7860方式二命令行模式# 检测单张图片 python run.py --mode image --source test_image.jpg # 检测视频文件 python run.py --mode video --source test_video.mp4 # 实时摄像头检测 python run.py --mode camera --source 0方式三API服务模式python run.py --mode api --port 8080启动成功后访问 http://localhost:7860 即可看到Web界面。5. 功能测试与效果验证5.1 图片检测测试准备测试图片通过Web界面上传或使用命令行测试# 测试代码示例 from src.detection import SmokingDetector # 初始化检测器 detector SmokingDetector(model_pathmodels/smoking_detection.pt) # 单张图片检测 results detector.detect_image(test_image.jpg) print(f检测到 {len(results[detections])} 个吸烟行为) # 显示结果 detector.plot_results(test_image.jpg, results)预期效果能够准确框出吸烟人物置信度通常达到0.7以上不同角度、距离的吸烟行为都能识别5.2 视频流检测测试测试视频文件检测能力# 视频检测示例 results detector.detect_video(test_video.mp4, output_pathoutput_video.mp4, show_confTrue) print(f视频处理完成共检测到 {results[total_detections]} 次吸烟行为)验证要点视频播放流畅检测框稳定实时显示检测置信度输出视频包含检测结果叠加5.3 实时摄像头测试连接摄像头进行实时检测python run.py --mode camera --source 0 --conf-threshold 0.6观察指标帧率是否稳定CPU2-10FPSGPU20-30FPS检测延迟是否可接受不同光照条件下的识别稳定性6. 接口API与批量任务6.1 REST API接口使用启动API服务后可以通过HTTP请求调用检测功能import requests import base64 # 图片检测API def detect_image_api(image_path, api_urlhttp://localhost:8080/detect): with open(image_path, rb) as f: image_data base64.b64encode(f.read()).decode() payload { image: image_data, conf_threshold: 0.5, iou_threshold: 0.45 } response requests.post(api_url, jsonpayload, timeout30) return response.json() # 使用示例 result detect_image_api(test.jpg) print(result)6.2 批量图片处理对于大量图片的批量处理import os from concurrent.futures import ThreadPoolExecutor def batch_process_images(input_dir, output_dir, max_workers4): os.makedirs(output_dir, exist_okTrue) image_files [f for f in os.listdir(input_dir) if f.lower().endswith((.jpg, .png, .jpeg))] def process_single_image(image_file): input_path os.path.join(input_dir, image_file) output_path os.path.join(output_dir, fdetected_{image_file}) results detector.detect_image(input_path) detector.save_result_image(input_path, results, output_path) return len(results[detections]) # 多线程处理 with ThreadPoolExecutor(max_workersmax_workers) as executor: results list(executor.map(process_single_image, image_files)) print(f批量处理完成共处理 {len(image_files)} 张图片) return sum(results)6.3 视频批量处理批量处理视频文件的示例def batch_process_videos(video_dir, output_dir, batch_size1): video_files [f for f in os.listdir(video_dir) if f.lower().endswith((.mp4, .avi, .mov))] for video_file in video_files: input_path os.path.join(video_dir, video_file) output_path os.path.join(output_dir, fdetected_{video_file}) print(f处理视频: {video_file}) results detector.detect_video(input_path, output_path) print(f检测到 {results[total_detections]} 次吸烟行为)7. 资源占用与性能观察7.1 GPU显存占用分析使用GPU推理时的显存占用情况# 监控GPU使用情况 nvidia-smi -l 1 # Linux # 或使用gpustat pip install gpustat gpustat -i典型显存占用YOLOv8n模型1-2GB显存YOLOv8s模型2-3GB显存YOLOv8m模型3-4GB显存视频流处理会增加0.5-1GB显存7.2 CPU/内存占用优化对于CPU推理的性能优化建议# 优化推理参数 detector SmokingDetector( model_pathmodels/smoking_detection.pt, devicecpu, # 使用CPU halfFalse, # CPU不支持半精度 imgsz640, # 输入尺寸越小速度越快 workers4 # 数据加载线程数 )性能调优建议调整输入图片尺寸320-640平衡速度与精度合理设置置信度阈值0.5-0.7使用多线程处理批量任务监控内存使用避免泄露7.3 推理速度测试测试不同硬件配置下的推理速度import time def benchmark_detector(detector, test_image, num_runs100): times [] # 预热 for _ in range(10): detector.detect_image(test_image) # 正式测试 for _ in range(num_runs): start_time time.time() detector.detect_image(test_image) end_time time.time() times.append((end_time - start_time) * 1000) # 转毫秒 avg_time sum(times) / len(times) fps 1000 / avg_time print(f平均推理时间: {avg_time:.2f}ms, FPS: {fps:.2f}) return avg_time, fps8. 常见问题与排查方法问题现象可能原因排查方式解决方案启动时报CUDA错误CUDA版本不匹配/显卡驱动问题检查CUDA版本nvcc --version安装匹配的PyTorch版本或使用CPU模式模型加载失败模型文件损坏或路径错误检查模型文件大小和MD5重新下载模型文件确认路径正确检测结果为空置信度阈值设置过高降低conf-threshold参数设置conf-threshold0.3重新测试内存溢出图片尺寸过大或批量太大监控内存使用情况减小imgsz参数分批次处理视频检测卡顿硬件性能不足检查CPU/GPU使用率降低视频分辨率使用GPU加速Web界面无法访问端口被占用或防火墙阻止检查端口占用netstat -ano更换端口或关闭占用程序8.1 依赖冲突解决常见的依赖冲突及解决方法# 清理冲突的包 pip list | grep torch pip uninstall torch torchvision torchaudio # 重新安装指定版本 pip install torch1.12.1cu113 torchvision0.13.1cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html # 检查OpenCV冲突 pip uninstall opencv-python opencv-python-headless pip install opencv-python-headless8.2 模型性能优化提升检测性能的实用技巧# 优化推理参数 optimized_detector SmokingDetector( model_pathmodels/smoking_detection.pt, conf_threshold0.5, # 平衡精度和召回 iou_threshold0.45, # NMS阈值 imgsz640, # 优化输入尺寸 augmentFalse, # 推理时关闭数据增强 halfTrue, # 半精度推理GPU devicecuda:0 # 指定GPU设备 )9. 最佳实践与使用建议9.1 部署环境建议开发测试环境使用conda虚拟环境隔离依赖保留纯净的测试数据集记录每次测试的参数和结果使用版本控制管理代码变更生产部署环境使用Docker容器化部署配置监控和日志系统设置自动重启机制定期备份模型和配置9.2 参数调优指南根据实际场景调整检测参数# 高精度模式监控重要区域 high_precision_config { conf_threshold: 0.7, # 高置信度 imgsz: 640, # 大尺寸输入 augment: False # 关闭增强 } # 高速模式实时监控 high_speed_config { conf_threshold: 0.4, # 较低置信度 imgsz: 320, # 小尺寸输入 half: True # 半精度推理 }9.3 数据管理与合规性数据安全建议敏感视频数据本地处理不上传云端定期清理临时文件和日志结果数据加密存储访问权限严格控制合规使用提醒部署前确认监控区域的法律法规明确告知监控范围和用途设置合理的数据保留期限建立数据泄露应急预案10. 扩展开发与二次开发10.1 模型改进方向如果需要提升检测精度可以考虑# 自定义训练配置 from ultralytics import YOLO # 加载预训练模型 model YOLO(yolov8n.pt) # 自定义训练 model.train( datacustom_smoking.yaml, epochs100, imgsz640, batch16, workers4, device0 )10.2 功能扩展建议基于现有系统的功能扩展多目标跟踪结合DeepSORT实现人员跟踪行为分析识别吸烟频率和时长统计报警系统检测到吸烟即时通知报表生成定期生成检测统计报告云端部署支持多摄像头集中管理这个YOLOv8吸烟识别系统提供了一个完整的检测解决方案从环境配置到实际应用都做了充分优化。特别适合需要快速部署吸烟检测功能的场景避免了从零开始训练模型的复杂过程。建议首次使用时先用小规模数据测试熟悉各项参数调整后再部署到生产环境。系统的模块化设计也方便进行二次开发可以根据具体需求添加新的功能模块。