构建高质量吸烟检测数据集：从数据采集到YOLO模型训练与Android部署

1. 项目概述：为什么我们需要一个专门的吸烟检测数据集？

在计算机视觉的落地应用里，行为识别一直是个硬骨头，而吸烟检测又是其中兼具社会价值和挑战性的一个细分领域。你可能在不少公共场所见过“禁止吸烟”的标识旁，配着一个不起眼的摄像头，背后很可能就运行着一套基于深度学习的检测系统。但要让这套系统真正“聪明”起来，能准确区分一个人是在抽烟、喝水还是仅仅用手托着下巴，核心中的核心，就是一个高质量、标注精准的数据集。

我接触过不少刚入行的朋友，想用YOLOv5、YOLOv8甚至最新的RT-DETR来做吸烟检测，第一步就卡在了数据上。网上搜到的图片要么质量参差不齐，要么场景单一（基本都是室内正面照），训练出来的模型一到复杂的真实环境——比如光线昏暗的楼梯间、人员密集的餐厅角落，或者只是行人侧身的一个动作——就频频误报或漏报。这就像让一个只见过教科书例题的学生去参加综合考试，结果可想而知。

所以，这个项目聚焦于“吸烟检测数据集”本身。它不只是一个简单的图片打包，而是构建一个可靠检测系统的基石。我们将深入拆解一个合格的数据集应该包含哪些要素，从哪里获取，以及如何正确地使用它，涵盖从数据准备到模型训练（以PyTorch为例）乃至考虑移动端（Android）部署的完整链条。无论你是算法工程师、在校学生，还是对AI应用感兴趣的开发者，理解数据集的内涵，都能让你在后续的模型调优和工程化中事半功倍。

2. 吸烟检测数据集的核心要素与构建逻辑

一个直接可用的、标注好的数据集无疑是宝贵的资源。但在急切地寻找下载链接之前，我们必须先搞清楚，什么样的数据集才算是一个“好”的数据集。这决定了你未来模型的性能上限。

2.1 数据多样性与场景覆盖

吸烟行为并非发生在真空中。一个鲁棒的检测模型必须能应对各种复杂情况。

  1. 视角多样性：这是最容易被忽视的一点。监控摄像头可能是俯视（安装在屋顶）、平视（安装在墙壁）或斜视。数据集必须包含这多种视角下的吸烟样本。例如，俯视视角下，香烟和手的相对位置与平视视角截然不同。
  2. 光照条件：涵盖白天、夜晚、室内灯光、逆光、阴影交错等不同光照环境。模型需要学会不依赖于特定的亮度或对比度来识别特征。
  3. 场景复杂性：吸烟可能发生在办公室、工厂车间、餐厅、楼梯间、户外公园、车内等。背景的复杂程度干扰极大。一个只在干净背景下训练的数据集，在杂乱背景中几乎无法工作。
  4. 行为状态：包括点烟、持烟、吸烟、弹烟灰、熄灭烟头等完整动作序列的不同瞬间。特别是“持烟”静止状态，容易与手持笔、手机、牙刷等物品混淆。
  5. 人群与遮挡：吸烟者可能是不同年龄、性别、穿着，且香烟可能被手部分遮挡，或者人在人群中只露出局部。

注意：很多开源数据集往往在“室内办公室白墙前”这种简单场景下表现良好，但一到实战就“掉链子”。评估一个数据集时，务必检查其场景是否单一。

2.2 标注质量与规范

标注是给数据“注入灵魂”的过程。对于吸烟检测，通常采用目标检测的标注格式（如PASCAL VOC的XML或COCO的JSON）。

  1. 标注粒度：

    • 香烟级别：仅标注香烟本身。优点是目标小，标注快，但模型容易混淆，比如筷子、笔。
    • 手部-香烟联合体：标注包含手和香烟的整个区域。这更符合人类认知（“正在吸烟的手”），能提供更多上下文信息，模型更鲁棒，但标注成本高。
    • 人-香烟级别：先检测人，再判断人手中是否有烟。这适合需要先进行行人检测的复杂场景。数据集可能需要人体和香烟的两级标注。实操建议：对于通用性要求高的场景，推荐使用“手部-香烟联合体”的标注方式。它平衡了精度和鲁棒性。

  2. 标注精确性：边界框（Bounding Box）必须紧密贴合目标物体，既不能过大引入背景噪声，也不能过小裁切目标。对于细长的香烟，框的宽高比会非常极端，需要标注员格外仔细。

  3. 难点样本标注：对于模糊、遮挡严重、尺寸极小的吸烟样本，不应直接舍弃，而应尽可能准确地标注。这些“困难样本”对提升模型在边缘情况下的性能至关重要。

2.3 数据格式与划分

一个准备完善的数据集通常包含以下结构：

Smoking_Dataset/ ├── images/ # 存放所有图像文件 │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片（可选，有时用val代替） ├── annotations/ # 存放所有标注文件 │ ├── train/ # 训练集标注（如 .xml 文件） │ ├── val/ # 验证集标注 │ └── test/ # 测试集标注 └── labels/ # 另一种常见格式，存放YOLO格式的.txt标注文件 ├── train/ ├── val/ └── test/

关键点：训练集（Training Set）、验证集（Validation Set）和测试集（Test Set）必须严格分离，确保图像无重复。通常按照7:2:1或类似比例随机划分。验证集用于训练过程中调整超参数、监控过拟合；测试集仅在最终评估时使用一次，以反映模型的真实泛化能力。

3. 吸烟检测数据集的获取与处理实战

了解了标准，接下来就是如何获取和处理数据。这里有开源、自制和合规使用三个方向。

3.1 开源数据集检索与评估

完全从零开始制作数据集成本高昂。首先应积极寻找开源资源。

  1. 主流学术数据集平台：

    • Kaggle Datasets：搜索关键词“smoking detection”、“cigarette”。Kaggle上的数据集通常附带讨论和基线模型，适合入门。但需注意数据量和质量可能参差不齐。
    • Google Dataset Search：这是一个专门搜索数据集的引擎，用英文关键词搜索效果更好，如“smoking cigarette image dataset”。
    • Roboflow Universe：一个非常实用的计算机视觉数据集平台。它提供大量预处理（已标注、已划分、已增强）的数据集，并且支持一键导出为YOLO、COCO、TensorFlow等多种格式。在这里搜索“Smoking”很可能有惊喜发现。

  2. 评估开源数据集：下载前或下载后，务必进行快速评估：

    • 查看数据统计：图片数量、标注实例数量、类别分布（是否只有“smoking”一类？还是有“non-smoking”作为负样本？）。
    • 可视化检查：随机打开几十张图片，用标注工具（如LabelImg）加载对应的标注文件，直观感受标注质量、场景多样性和难点样本比例。
    • 检查许可协议：明确数据集的使用许可（License），特别是用于商业项目时，需遵守CC BY-SA、MIT等开源协议的要求。

3.2 从零构建：数据采集与标注流程

如果开源数据集无法满足需求，就需要自己动手。这是一个系统性的工程。

  1. 数据采集渠道：

    • 合规的网络爬取：从遵守Robots协议且允许图片用于研究的网站（如某些公开的监控场景数据集网站）采集。必须严格遵守法律法规和版权要求，禁止爬取个人隐私、商业机密或明确禁止爬取的内容。可使用Scrapy或Selenium框架，但需设置合理的请求间隔，避免对目标服务器造成压力。
    • 模拟场景拍摄：在确保安全、合规且不侵犯他人权益的前提下，可以自行组织拍摄。使用不同型号的手机、摄像头，在多种光照和背景下，拍摄模拟吸烟动作（可使用道具代替真烟，避免健康风险并符合规定）。这种方式获取的数据最贴合自身需求。
    • 公开视频帧提取：从公开的影视剧、纪录片（需注意版权）或某些行为分析公开视频中截取帧。可以使用OpenCV的VideoCapture模块轻松实现。

  2. 数据标注工具与实操：

    • 工具选型：LabelImg（经典，支持PASCAL VOC格式）、CVAT（功能强大，支持在线协作和视频标注）、Roboflow Annotate（在线工具，体验流畅）。对于新手，LabelImg足矣。
    • 标注实操步骤： a.统一规范：在开始前，团队内必须统一标注规范：是标“香烟”还是“手拿香烟”？模糊样本标不标？遮挡超过多少比例则舍弃？ b.启动LabelImg：打开工具，设置图片目录和预保存的标注文件目录。 c.创建标签：在标签栏输入“smoking”（或其他你定义的类别名）。 d.绘制边界框：对于每一个吸烟实例，用鼠标框选出目标区域。尽量紧贴目标。 e.保存格式：选择保存为PASCAL VOC格式（.xml）或YOLO格式（.txt）。YOLO格式是归一化后的中心点坐标和宽高，更常用。 f.质量控制：标注一部分后，应由另一人进行复核，纠正错误标注和不一致的地方。

  3. 数据清洗与增强：

    • 清洗：删除完全无效的图片（如全黑、全模糊），检查并修正错误的标注文件。
    • 数据增强（Data Augmentation）：这是在小数据集上提升模型泛化能力的关键。应在训练时在线（on-the-fly）进行，而不是预先增强存储。常用增强包括：
      • 几何变换：随机水平翻转、小角度旋转（如±15度）、缩放、裁剪。
      • 颜色变换：随机调整亮度、对比度、饱和度，添加高斯噪声。
      • 高级增强：albumentations或torchvision.transforms库支持更复杂的增强，如CutMix、Mosaic（YOLO系列常用），能极大提升模型性能。

    实操心得：对于吸烟检测，随机水平翻转非常有效且安全，因为吸烟行为通常没有固定的左右手倾向。但大角度旋转要谨慎，因为倒立吸烟的样本在现实中几乎不存在，可能引入噪声。

3.3 数据格式转换与准备

不同的训练框架需要不同的数据格式。最常见的是YOLO格式和COCO格式。

  1. YOLO格式详解：每个图像对应一个.txt文件，每行代表一个目标。

    <class_id> <x_center> <y_center> <width> <height>
    • class_id：类别索引，从0开始。如果只有吸烟一类，就是0。
    • x_center, y_center：边界框中心点的x、y坐标，已归一化（除以图片宽度和高度），范围0~1。
    • width, height：边界框的宽度和高度，已归一化。
    • 示例：图片尺寸为640x480，一个目标框的左上角为(100, 120)，右下角为(200, 300)。则：
      • 中心点 x = (100 + 200)/2 / 640 = 0.234375
      • 中心点 y = (120 + 300)/2 / 480 = 0.4375
      • 宽度 w = (200 - 100) / 640 = 0.15625
      • 高度 h = (300 - 120) / 480 = 0.375
      • txt文件内容为：0 0.234375 0.4375 0.15625 0.375

  2. 格式转换脚本：如果你拿到的是VOC格式（.xml），需要转换为YOLO格式。下面是一个简单的Python脚本示例：

    import xml.etree.ElementTree as ET import os def convert_voc_to_yolo(xml_file, img_w, img_h, classes): tree = ET.parse(xml_file) root = tree.getroot() yolo_lines = [] for obj in root.findall('object'): cls = obj.find('name').text if cls not in classes: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') x1 = float(xmlbox.find('xmin').text) y1 = float(xmlbox.find('ymin').text) x2 = float(xmlbox.find('xmax').text) y2 = float(xmlbox.find('ymax').text) # 计算归一化后的中心点和宽高 x_center = (x1 + x2) / 2.0 / img_w y_center = (y1 + y2) / 2.0 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h yolo_lines.append(f"{cls_id} {x_center} {y_center} {w} {h}") return yolo_lines # 假设 classes = ['smoking'] # 遍历所有xml文件，调用函数并写入对应的txt文件

    使用这个脚本，你可以批量完成格式转换。

4. 基于PyTorch与YOLO的训练环境搭建与配置

有了高质量的数据集，下一步就是选择模型和搭建训练环境。PyTorch因其灵活性和活跃的社区，成为当前深度学习研究和应用的首选。

4.1 PyTorch与CUDA环境精准配置

这是让训练跑起来的第一步，也是最容易踩坑的一步。

  1. 版本匹配矩阵：PyTorch、CUDA、cuDNN、显卡驱动之间必须版本兼容。以目前主流的RTX 40系显卡（如5060）和CUDA 12.x为例：

    • 显卡驱动：去NVIDIA官网下载最新版驱动，通常新版驱动向下兼容多个CUDA版本。
    • CUDA Toolkit：决定你的PyTorch能调用哪些GPU功能。CUDA 12.1/12.4是当前稳定选择。
    • PyTorch：访问PyTorch官网（https://pytorch.org/get-started/locally/），使用其提供的配置命令。例如，对于CUDA 12.1：
      # 使用conda安装（推荐，便于环境隔离） conda create -n smoking_det python=3.9 conda activate smoking_det conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia # 或者使用pip安装 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
    • 验证安装：在Python中运行以下代码：
      import torch print(torch.__version__) # 输出PyTorch版本 print(torch.cuda.is_available()) # 应输出 True print(torch.cuda.get_device_name(0)) # 输出你的GPU型号

  2. Anaconda环境管理：强烈建议使用Anaconda或Miniconda为每个项目创建独立的虚拟环境。避免不同项目间的包版本冲突。上述安装命令就是在虚拟环境中执行的。

踩坑记录：我曾遇到CUDA error: no kernel image is available for execution的错误，根本原因是PyTorch版本与CUDA版本不匹配。例如，用pip默认安装的可能是仅支持CUDA 11.8的PyTorch，而我的环境是CUDA 12.4。务必使用官网命令，明确指定CUDA版本。

4.2 YOLOv8训练框架快速部署

Ultralytics YOLOv8因其极简的API和出色的性能，已成为目标检测的新标杆。用它来训练我们的吸烟检测模型非常高效。

  1. 安装YOLOv8：在配置好的PyTorch环境中，安装非常简单。

    pip install ultralytics

    这个命令会安装YOLOv8所需的所有依赖。

  2. 准备数据集配置文件：YOLOv8需要一个描述数据集的.yaml文件。这是连接你的数据和模型的桥梁。 创建一个名为smoking_dataset.yaml的文件，内容如下：

    # 数据集路径（建议使用绝对路径，避免相对路径引发的错误） path: /home/user/Smoking_Dataset # 数据集的根目录 train: images/train # 训练集图片路径，相对于 path val: images/val # 验证集图片路径，相对于 path # test: images/test # 测试集路径（可选） # 类别数量 nc: 1 # 类别名称列表 names: ['smoking'] # 可选：下载地址/说明 # download: ...

    关键点：确保path目录下的结构严格符合前文所述，images/train和labels/train等文件夹名称必须对应。

  3. 模型选择与训练启动：YOLOv8提供了不同尺寸的模型（n, s, m, l, x），在精度和速度之间权衡。

    from ultralytics import YOLO # 加载一个预训练模型（推荐，即迁移学习） model = YOLO('yolov8s.pt') # 使用小模型yolov8s，训练快，适合初步尝试 # 开始训练 results = model.train( data='smoking_dataset.yaml', # 数据集配置文件路径 epochs=100, # 训练轮数，根据数据集大小调整 imgsz=640, # 输入图像尺寸 batch=16, # 批次大小，根据GPU内存调整 device='0', # 使用GPU 0，如果是CPU则设为'cpu' workers=4, # 数据加载线程数 name='smoking_det_v1', # 本次训练的实验名称 pretrained=True, # 使用预训练权重 optimizer='AdamW', # 优化器 lr0=0.01, # 初始学习率 ... )

    训练过程会自动在runs/detect/smoking_det_v1目录下生成所有结果，包括模型权重、训练曲线、验证结果等。

4.3 训练过程监控与调优核心参数

启动训练后，并非一劳永逸。你需要像教练一样观察模型的“学习状态”。

  1. 关键监控指标：

    • 损失曲线（loss）：train/box_loss,train/cls_loss,val/box_loss,val/cls_loss。关注训练损失是否平稳下降，验证损失是否同步下降且未明显上升（防止过拟合）。
    • 性能指标：metrics/mAP50-95(mAP@0.5:0.95) 是核心指标，综合衡量模型在不同IoU阈值下的精度。metrics/precision,metrics/recall分别关注查准率和查全率。
    • 可视化工具：YOLOv8训练时会启动一个本地Web服务（默认http://localhost:6006），使用TensorBoard展示所有曲线，非常直观。

  2. 核心调优参数解析：

    • imgsz：输入图像尺寸。增大尺寸（如从640到1280）通常会提升检测小目标（如远处香烟）的能力，但会显著增加显存消耗和训练时间。需要根据你的GPU资源和目标大小权衡。
    • batch：批次大小。在GPU显存允许范围内，尽可能设大。大的batch size能使梯度更新更稳定。如果出现“CUDA out of memory”错误，首先尝试减小batch或imgsz。
    • lr0：初始学习率。这是最重要的超参数之一。太大可能导致训练震荡甚至发散，太小则收敛缓慢。YOLOv8内置了学习率调度器，通常从lr0开始，会先经过一个热身（warmup）阶段，再根据策略下降。对于小数据集，可以从更小的学习率（如0.001）开始尝试。
    • patience：早停（Early Stopping）耐心值。如果验证集指标在连续patience个epochs内没有提升，训练将自动停止，以防止过拟合。默认是50，对于小数据集可以设小一些（如20）。

    实操心得：数据决定上限，调参决定逼近上限的速度。如果模型性能始终上不去，首先应该回头检查数据质量（标注是否准确、难点样本是否足够、数据增强是否有效），而不是盲目调整超参数。增加数据多样性往往比调参带来的提升更显著。

5. 模型评估、优化与Android端部署考量

训练完成后，得到一个.pt权重文件，但这只是开始。我们需要评估其真实能力，并考虑如何让它“跑”起来。

5.1 模型性能评估与错误分析

使用训练时预留的测试集（或验证集）进行最终评估。

  1. 使用YOLOv8进行验证：

    # 在命令行中，使用最佳权重进行验证 yolo task=detect mode=val model=runs/detect/smoking_det_v1/weights/best.pt data=smoking_dataset.yaml

    这会输出详细的评估表格，包括mAP、精确率、召回率等。

  2. 可视化预测结果：

    from ultralytics import YOLO model = YOLO('runs/detect/smoking_det_v1/weights/best.pt') results = model('path/to/test_image.jpg', save=True, conf=0.25) # conf为置信度阈值

    将预测结果（边界框和标签）画在图片上保存。这是错误分析（Error Analysis）的关键步骤。

  3. 错误分析实战：仔细查看模型在测试集上的错误预测。

    • 误报（False Positive）：把不是吸烟的行为（如喝水、打电话）识别为吸烟。这说明模型学到的特征不够鲁棒，可能需要对负样本（非吸烟图片）进行增强，或在数据集中加入更多容易混淆的负样本。
    • 漏报（False Negative）：漏掉了真实的吸烟行为。重点关注这些漏报的样本：是香烟太小？遮挡太严重？光照太暗？还是视角太奇特？针对性地补充这类困难样本到数据集中，重新训练。
    • 定位不准：框的位置偏差大。检查标注是否准确，或者尝试调整损失函数中定位损失的权重（在YOLO中通常是box_loss_gain参数）。

5.2 模型优化与压缩策略

为了在资源受限的端侧（如Android手机）部署，模型通常需要优化。

  1. 模型剪枝（Pruning）：移除网络中不重要的连接或通道，减少参数量和计算量。YOLOv8本身提供了model.prune()方法进行尝试性剪枝，但更精细的剪枝需要借助其他工具（如Torch Pruning）。
  2. 知识蒸馏（Knowledge Distillation）：用一个庞大复杂的“教师模型”来指导一个轻量级“学生模型”的训练，让学生模型在保持较小体积的同时获得接近教师模型的性能。这对于从YOLOv8l到YOLOv8n的压缩是一个研究方向。
  3. 量化（Quantization）：将模型权重和激活从高精度（如FP32）转换为低精度（如INT8）。这能大幅减少模型大小和推理延迟，是移动端部署的标配技术。
    • 训练后量化（Post-Training Quantization, PTQ）：对已训练好的模型进行量化，简单快捷，但可能有精度损失。
    • 量化感知训练（Quantization-Aware Training, QAT）：在训练过程中模拟量化效应，让模型适应低精度计算，通常能获得更好的精度保持。

5.3 向Android端部署的转换路径

将PyTorch模型部署到Android，主流路径是转换为适用于移动端的推理框架格式。

  1. 中间格式：ONNX：ONNX是一个开放的模型表示格式。首先将PyTorch模型导出为ONNX。

    from ultralytics import YOLO model = YOLO('best.pt') success = model.export(format='onnx', dynamic=False, simplify=True, opset=12)

    dynamic=False表示固定输入输出尺寸，有利于部署优化。simplify=True会应用ONNX Simplifier简化计算图。

  2. 移动端推理引擎选择：

    • TensorFlow Lite (TFLite)：Google主推，Android原生支持良好，工具链成熟。需要将ONNX模型进一步转换为TFLite格式（可使用onnx-tf和TFLite Converter工具链）。
    • PyTorch Mobile：PyTorch官方移动端解决方案，保持了PyTorch API风格，但社区生态和性能优化目前略逊于TFLite。
    • NCNN：腾讯开源的为手机端极致优化的神经网络前向计算框架。特别针对ARM架构做了大量优化，在不少移动设备上性能优于TFLite。通常需要先将模型转到ONNX，再用NCNN的工具链转换。
    • MNN：阿里巴巴开源的轻量级深度学习引擎，同样性能优异，支持多种模型格式。

  3. Android集成核心步骤： a.模型转换：根据选择的引擎，将ONNX模型转换为对应的格式（如.tflite,.ncnn.bin/param）。 b.引入引擎库：在Android项目的build.gradle中添加对应引擎的依赖。 c.编写推理代码：在Java或Kotlin中，加载模型，预处理输入图像（缩放、归一化、转换为ByteBuffer等），运行推理，解析输出（边界框、置信度、类别）。 d.后处理：将模型输出的归一化坐标转换为屏幕坐标，应用非极大值抑制（NMS）去除重叠框，绘制结果。 e.性能优化：利用多线程、GPU委托（如果引擎支持，如TFLite GPU Delegate）来提升推理速度。

部署心得：在Android真机上测试前，务必在PC上用相同的引擎和模型进行推理验证，确保转换过程没有引入错误。预处理和后处理必须与训练时完全一致，任何细微差别（如图像归一化方式、颜色通道顺序）都可能导致结果异常。对于吸烟检测这种实时性要求较高的应用，需要重点关注每帧的处理耗时，确保能达到流畅的检测帧率（如15-30 FPS）。