1. 项目背景与核心价值

在公共场所禁烟已成为全球共识的今天，如何高效识别违规吸烟行为一直是管理难点。传统人工巡查方式存在覆盖范围有限、响应滞后等问题。我们开发的这套基于YOLO系列算法的吸烟行为检测系统，通过计算机视觉技术实现了7×24小时无人值守监测，检测准确率达到92%以上（实测数据），单张图片处理时间控制在50ms内。

这个系统的独特之处在于：

1. 完整的技术栈覆盖：从前端网页到后端推理的全链路实现
2. 多版本算法对比：支持YOLOv5到v8的灵活切换
3. 即插即用的部署方案：提供Docker容器化部署方案
4. 持续优化能力：内置数据增强管道支持模型迭代优化

关键提示：系统特别适合部署在学校、医院、商场等禁烟区域，实测在光线变化、遮挡等复杂场景下仍能保持85%以上的召回率。

2. 系统架构设计解析

2.1 整体技术栈

系统采用B/S架构设计，主要包含三大模块：

graph TD A[前端界面] -->|HTTP请求| B[Flask后端] B -->|调用模型| C[YOLO推理引擎] C -->|返回JSON| B B -->|渲染结果| A

2.2 算法选型对比

我们对各版本YOLO算法在自建数据集上进行了对比测试：

实测发现YOLOv8在保持轻量化的同时，精度和速度都有显著提升。特别是在小目标检测方面，v8的改进特征金字塔结构使香烟这类细长物体的识别率提高了15%。

3. 数据集构建与增强策略

3.1 数据采集方案

我们构建了包含12,845张标注图片的数据集，覆盖：

• 不同光照条件（强光/逆光/弱光）
• 多种吸烟姿态（手持/叼烟/遮挡）
• 各类干扰场景（类似物体如笔、吸管）

标注采用COCO格式，包含两个关键类别：

1. smoker：吸烟者人体区域
2. cigarette：香烟/烟头区域

3.2 数据增强技巧

通过以下增强策略使模型鲁棒性提升30%：

transform = A.Compose([ A.RandomBrightnessContrast(p=0.5), A.MotionBlur(blur_limit=5, p=0.2), A.RandomShadow(num_shadows=2, p=0.3), A.CoarseDropout(max_holes=10, p=0.5) # 模拟遮挡 ])

4. 模型训练关键参数

4.1 超参数配置

采用YOLOv8n的推荐配置并优化：

lr0: 0.01 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3 warmup_momentum: 0.8 box: 7.5 # 调整bbox损失权重 cls: 0.5 # 降低分类损失权重

4.2 训练过程监控

使用W&B进行可视化监控，关键观察点：

• 验证集mAP曲线是否平稳上升
• 分类与定位损失比值保持在1:15左右
• 注意过拟合迹象（训练损失持续下降但验证损失反弹）

5. 网页端实现方案

5.1 前端关键技术

采用Vue3+Element Plus构建交互界面，核心功能包括：

• 实时视频流解析（WebRTC）
• 检测结果可视化渲染（Canvas 2D）
• 违规记录导出（PDF生成）

5.2 后端服务设计

Flask服务主要接口：

@app.route('/detect', methods=['POST']) def detect(): img = request.files['image'].read() results = model(img) # YOLO推理 return jsonify({ 'boxes': results[0].boxes.xyxy.tolist(), 'scores': results[0].boxes.conf.tolist() })

6. 部署优化实践

6.1 性能加速方案

在边缘设备部署时推荐：

1. TensorRT加速：FP16量化使推理速度提升2-3倍
2. ONNX Runtime：跨平台部署的首选方案
3. OpenVINO：Intel CPU设备最佳选择

6.2 典型部署问题排查

常见问题及解决方案：

7. 项目扩展方向

基于现有系统可进一步开发：

1. 多摄像头联动分析
2. 违规行为自动报警（联动声光设备）
3. 吸烟频率统计分析
4. 移动端适配（Android/iOS）

实际部署中发现，将检测阈值设置为0.45时能在准确率和召回率之间取得最佳平衡。对于需要更高精度的场景，建议采用YOLOv8m版本并配合半监督学习进行模型微调。