企业官网建设流程全解析

简介：这份吸烟行为检测数据集面向计算机视觉开发者与目标检测学习者，适用于公共场所吸烟识别、行为分析等场景的模型训练与验证。资源共包含991张原始图片，全部采用YOLOv8格式标注，每张图片配有对应的txt标签文件，另附1个yaml配置文件用于类别与路径定义，压缩包整体约44.7MB，文件总数1983个，以jpg图像与txt标注为主，结构规整、开箱即用。据描述，该数据集在训练后平均识别率可达88.3%，可作为基线参考，帮助读者快速搭建吸烟检测模型、验证算法效果或进行迁移学习。目前已有110人学习关注，适合需要现成标注数据、希望省去采集与标注成本的中初级视觉开发者，也便于在此基础上扩充样本、调优模型。

1. 吸烟检测数据集落地：991 张原始图片与 88.3% 识别率的真实边界

吸烟行为检测在智慧工地、加油站、化工厂、公共交通等场景里是刚需，但真正动手做的时候，第一个卡住大多数人的不是模型结构，而是数据。公开的吸烟数据集本来就少，能直接拿来训练 YOLOv8 的更少，标注格式对不上、类别定义模糊、负样本缺失，随便一个坑都能让 mAP 掉十几个点。这份资源给的是 991 张原始图片，已经按 YOLOv8 格式标注好，官方给出的平均识别率在 88.3%。它解决的是「从零标注到能跑通训练」这一段最耗人力的环节，适合两类人：一类是想快速验证吸烟检测方案可行性的算法工程师，另一类是手上有部署需求、但没精力从零攒数据集的嵌入式或边缘计算开发者。991 张不算大，但作为基线数据集，它足够让你把训练、验证、导出、部署这条链路完整走一遍，先跑通再谈优化。

2. 数据集结构与 YOLOv8 标注格式拆解：991 张图到底怎么组织

2.1 文件命名规律与图片规格

从项目正文列出的文件名能看出，图片命名是「数字编号 + _jpg.rf. + 一串哈希」的形式，比如1277_jpg.rf.9c8828412f0497d36739ffc3e4553b84.jpg、1023_jpg.rf.2a12f93b37d6f0cb5bcb568dd60b4b65.jpg。这种命名是典型的标注平台导出风格，rf.后面那串是导出时生成的唯一标识，用来防止重名覆盖。编号本身不连续，说明原始素材经过了一轮筛选和清洗，不是简单按顺序截帧。图片格式统一是 JPG，这对训练是好事——YOLOv8 的 dataloader 对 JPG 解码支持最成熟，不会像 PNG 透明通道那样在某些版本上出玄学问题。

实际拿到手之后，建议先做一次文件完整性检查，确认 991 张图都能正常解码，避免训练到一半报Corrupt JPEG data。常见做法是用 PIL 批量过一遍：

from PIL import Image import os img_dir = "datasets/smoking/images/train" bad = [] for name in os.listdir(img_dir): path = os.path.join(img_dir, name) try: img = Image.open(path) img.verify() # 校验文件完整性，不真正解码像素 except Exception as e: bad.append((name, str(e))) print(f"总检查 {len(os.listdir(img_dir))} 张，异常 {len(bad)} 张") for n, e in bad: print(n, e)

这段代码的逻辑是：Image.open只读文件头，verify()检查文件是否被截断或损坏，比直接load()快很多。参数上img_dir换成你实际的训练集图片目录即可。如果异常数量超过个位数，说明下载或解压过程出了问题，别急着训练，先重新获取。

2.2 YOLOv8 标注格式与类别定义

YOLOv8 的检测标注是每张图对应一个同名.txt文件，每行格式为：

<class_id> <x_center> <y_center> <width> <height>

后四个值都是归一化到 0~1 的相对坐标，x_center、y_center是框中心点，width、height是框宽高。这一点和 YOLOv5 完全一致，所以如果你之前有 v5 的数据集，格式上可以直接复用。吸烟检测通常是单类别，class_id就是 0，对应smoke或smoking。但这里有个容易翻车的地方：有些标注平台导出时会把「吸烟」和「香烟」分成两类，或者把「手持香烟」单独标一类。拿到数据集后第一件事就是看data.yaml里的names列表，确认类别数和你的业务定义一致。

# data.yaml 典型结构 path: ./datasets/smoking train: images/train val: images/val nc: 1 names: 0: smoking

nc是类别数，names是索引到类名的映射。如果你的场景需要区分「正在吸烟」和「手持未点燃」，那这个单类别数据集就不够用，得自己补标。991 张图按常见 8:2 划分，训练集约 793 张，验证集约 198 张。这个量级下，验证集只有不到 200 张，评估指标的波动会比较大，88.3% 这个数字要结合置信度阈值和 IoU 阈值一起看，不能只看一个孤立的百分比。

2.3 目录组织与训练前自检

YOLOv8 对目录结构有约定，推荐按下面这样组织：

smoking_dataset/ ├── data.yaml ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

图片和标签必须同名，只是扩展名不同。常见错误是标签文件多了一层目录，或者图片是.JPG大写而标签是.txt小写导致匹配不上。训练前跑一段自检脚本，确认每张图都有对应标签、每个标签坐标都在 0~1 之间：

import os img_dir = "smoking_dataset/images/train" lbl_dir = "smoking_dataset/labels/train" missing, out_of_range = [], [] for name in os.listdir(img_dir): stem = os.path.splitext(name)[0] lbl_path = os.path.join(lbl_dir, stem + ".txt") if not os.path.exists(lbl_path): missing.append(name) continue with open(lbl_path) as f: for line in f: parts = line.strip().split() if len(parts) != 5: out_of_range.append((stem, "字段数不对")) continue vals = list(map(float, parts[1:])) if any(v < 0 or v > 1 for v in vals): out_of_range.append((stem, "坐标越界")) print("缺标签:", len(missing)) print("异常标签:", len(out_of_range))

这段脚本解决的是训练前最隐蔽的一类问题：标签坐标越界不会让训练直接报错，但会让模型学到一个偏移的框，最终表现为「框总是偏一点」。参数上img_dir和lbl_dir按实际路径改，len(parts) != 5能抓出多空格、少字段的情况。自检通过再开训，能省掉后面调参时怀疑人生的时间。

3. 从零跑通 YOLOv8 训练：环境、命令与参数怎么设

3.1 环境搭建与依赖版本

YOLOv8 通过ultralytics包分发，安装本身不复杂，但版本兼容性是血泪经验重灾区。截至我写这篇时的稳定组合是 Python 3.10 + PyTorch 2.x + ultralytics 8.x。如果你在 Ubuntu 20.04 上跑 CPU 版本，先确认 glibc 版本够用，再装依赖：

conda create -n smoke python=3.10 -y conda activate smoke pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install ultralytics

第一行建虚拟环境，第二行激活，第三行装 CPU 版 PyTorch——注意--index-url指向的是 CPU 专用源，如果你有 NVIDIA 显卡，换成对应的 CUDA 源。第四行装 ultralytics，它会自动拉取 opencv、numpy 等依赖。CPU 训练 991 张图，按 100 epoch 算，大概要几个小时到十几个小时，取决于机器性能。如果只是验证流程，先把epochs设成 10 跑通再说。

3.2 训练命令与关键参数含义

YOLOv8 的训练入口是命令行yolo detect train，也可以用 Python API。命令行方式更适合快速实验：

yolo detect train \ data=smoking_dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/smoke \ name=exp1

逐项说明：data指向你的data.yaml；model选yolov8n.pt是最小的 nano 版本，991 张图用 nano 足够，用 large 反而容易过拟合；epochs=100是上限，配合patience=20做早停——20 轮验证指标不提升就停；imgsz=640是输入分辨率，如果你的图片原始尺寸远大于 640，YOLOv8 会自动缩放；batch=16在 CPU 上可能偏大，显存或内存不够就降到 8 或 4；lr0=0.01是初始学习率，小数据集上这个值偏大时容易震荡，可以降到 0.005。project和name决定输出目录，权重、曲线图、混淆矩阵都会存在runs/smoke/exp1/下。

3.3 训练过程监控与指标解读

训练启动后，控制台会逐 epoch 打印 box_loss、cls_loss、mAP50、mAP50-95。这里要区分两个指标：mAP50 是 IoU 阈值 0.5 时的平均精度，mAP50-95 是 0.5 到 0.95 每隔 0.05 取一次再平均，后者更严格。88.3% 这个识别率，大概率指的是 mAP50 或者某个置信度下的准确率，具体要看评估口径。如果 mAP50 到 88% 但 mAP50-95 只有 50% 出头，说明框的位置还不够准，属于正常现象，小数据集上很难把高 IoU 阈值下的指标做高。

训练结束后，runs/smoke/exp1/下会有results.csv，可以用 pandas 画损失曲线：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/smoke/exp1/results.csv") df.columns = df.columns.str.strip() # 列名可能带空格 plt.plot(df["epoch"], df["train/box_loss"], label="box_loss") plt.plot(df["epoch"], df["val/box_loss"], label="val_box_loss") plt.xlabel("epoch") plt.ylabel("loss") plt.legend() plt.savefig("loss_curve.png")

df.columns.str.strip()这行别省，ultralytics 导出的 CSV 列名有时带前导空格，不处理会 KeyError。看曲线时重点看验证损失有没有在训练损失还在降的时候先抬头，那就是过拟合的信号，早停参数就是干这个的。

4. 推理验证与 88.3% 识别率的复现口径

4.1 用验证集跑一遍指标

训练完不能只看训练日志，要用val模式在验证集上重新评估：

yolo detect val \ model=runs/smoke/exp1/weights/best.pt \ data=smoking_dataset/data.yaml \ imgsz=640 \ conf=0.25 \ iou=0.5

conf=0.25是置信度阈值，低于这个值的检测框会被丢弃；iou=0.5是 NMS 的 IoU 阈值，控制重叠框的合并。这两个参数直接决定你看到的精度和召回。把conf调高，精度上升但召回下降；调低则相反。88.3% 这个数字，一定要问清楚是在什么conf和iou下测的，否则没有可比性。我一般会跑三组conf（0.25 / 0.4 / 0.5）看指标变化，心里有个区间。

4.2 单张图片推理与结果可视化

验证指标是一回事，实际看图是另一回事。用predict模式跑几张图，肉眼确认框的位置：

yolo detect predict \ model=runs/smoke/exp1/weights/best.pt \ source=smoking_dataset/images/val \ conf=0.25 \ save=True \ project=runs/predict \ name=val_vis

source可以是单张图、目录或视频流。save=True会把带框的结果图存到runs/predict/val_vis/。重点看两类错误：漏检（有人吸烟但没框出来）和误检（把类似吸烟的动作框成吸烟）。吸烟检测的误检重灾区是「打电话」「托腮」「手持笔」这些手部靠近脸部的动作，如果验证集里这类负样本少，误检率会偏高。991 张图里如果负样本占比低，建议自己补一些负样本进去，哪怕不标注，作为背景图也能降低误检。

4.3 导出与部署格式选择

训练完的.pt权重是 PyTorch 格式，部署到不同平台要转格式。常见的有 ONNX、TensorRT、OpenVINO。如果目标是 RK3588 这类边缘芯片，通常走 ONNX 再转 RKNN；如果是 x86 服务器，ONNX Runtime 或 OpenVINO 都行。导出 ONNX 的命令：

yolo export \ model=runs/smoke/exp1/weights/best.pt \ format=onnx \ imgsz=640 \ opset=12 \ simplify=True

opset=12是 ONNX 算子集版本，太低会缺算子，太高某些推理引擎不支持，12 是比较稳的选择。simplify=True会调用 onnx-simplifier 做图优化，去掉冗余节点。导出后建议用 onnxruntime 跑一张图，和 PyTorch 的输出对比，确认数值误差在可接受范围内，别等到部署到板子上才发现对不上。

5. 避坑与常见问题排查：那些让 mAP 掉点的细节

5.1 现象：训练 loss 正常下降但 mAP 一直上不去

原因通常有两类。一是标签里有大量空文件或坐标越界，模型在学噪声；二是类别定义和评估时的类别对不上，比如data.yaml里nc=1但标签里出现了class_id=1。解决方法是回到 2.3 节的自检脚本，把标签全过一遍，同时确认names列表和标签里的class_id范围一致。如果标签里有class_id超出nc-1，ultralytics 会在训练时警告但不报错，很容易被忽略。

5.2 现象：验证集精度远高于实际场景表现

这是小数据集的典型问题。991 张图如果来源单一（比如都是同一个监控角度、同一批人），验证集和训练集分布几乎一样，指标会虚高。到了实际场景，光照、角度、人物衣着一变，精度就崩。解决办法是划分验证集时按场景或按人划分，而不是随机划分。如果原始数据没有场景标签，至少保证验证集里有一些和训练集明显不同的图片。另外，88.3% 这个数字要放在「同分布验证集」的语境下理解，跨场景部署时预期要打折扣。

5.3 现象：CPU 训练极慢或内存溢出

CPU 训练 YOLOv8 时，batch设太大直接 OOM，设太小又跑得慢。常见做法是先把imgsz降到 416 或 320 跑通流程，确认代码没问题后再升到 640。另外workers参数在 Windows 上设大于 0 容易出多进程问题，Linux 上可以设 4 或 8 加速数据加载。如果内存实在紧张，用yolov8n.pt而不是更大的模型，nano 版本在 CPU 上的推理速度也更能接受。

5.4 现象：推理时框重叠严重或同一目标多个框

这是 NMS 参数没调好。iou阈值设太高（比如 0.9），重叠框不会被合并；设太低（比如 0.3），相邻目标会被误合并。吸烟检测里，如果一个人手和脸离得近，框容易重叠，iou建议在 0.5~0.7 之间试。另外agnostic_nms参数在多类别时有用，单类别可以不管。如果同一目标出现多个框且置信度都差不多，检查是不是标注时同一个目标被标了多次，这种脏数据在 991 张里如果有几十张，就够让 NMS 表现异常。

5.5 现象：导出的 ONNX 推理结果和 PyTorch 不一致

先确认导出时的imgsz和推理时的输入尺寸一致，不一致会导致坐标缩放错误。其次检查预处理，PyTorch 推理时 ultralytics 内部做了 letterbox 填充，如果你自己写 ONNX 推理代码，要复现同样的 letterbox 逻辑，否则框会偏移。最后确认opset版本和推理引擎兼容，ONNX Runtime 对高版本 opset 的支持有滞后。建议导出后先用 onnxruntime 的 Python API 跑一张图，和 PyTorch 结果做数值对比，误差在 1e-3 以内算正常。

6. 小数据集提点技巧：从 88.3% 再往上走的几个实操方向

991 张图、88.3% 的基线，如果直接上生产还差一口气，有几个方向可以试。第一是数据增强，YOLOv8 默认开了 mosaic、HSV 抖动、随机翻转，但吸烟检测里「手部靠近脸部」这个动作对水平翻转敏感——翻转后左右手互换，可能引入不真实样本。我一般会把flipud和fliplr的概率调低，或者关掉fliplr，用degrees做小角度旋转代替。第二是补负样本，前面提过，误检主要来自相似动作，找 100~200 张「打电话」「托腮」「吃东西」的图，不标注，直接作为背景图放进训练集，能明显压误检。

第三是调整损失权重。YOLOv8 的box、cls、dfl三项损失有权重参数，小数据集上分类损失容易过拟合，可以适当降低cls权重，让模型更关注框的位置。具体在训练命令里加box=7.5 cls=0.5 dfl=1.5，这是 ultralytics 默认值附近微调，别一次改太多。第四是尝试更大的输入分辨率，如果原始图片里吸烟目标占画面比例很小，imgsz=640下目标可能只有几十个像素，升到 960 或 1280 能提升小目标召回，代价是训练和推理都变慢。第五是用预训练权重做冻结训练，先冻结 backbone 训 20 轮，再解冻全量微调，小数据集上这招比直接全量训练稳。

验证方法上，别只看 mAP。我会额外统计「漏检率」和「误检率」两个业务指标：漏检率 = 漏检数 / 实际正样本数，误检率 = 误检数 / 检测总数。这两个数字比 mAP 更贴近实际体验。跑完验证集后，把 FP 和 FN 的图单独挑出来看，比盯着曲线有用。

从那以后我每次拿到新数据集，都强制先跑一遍完整性自检和标签范围检查，再开训。这个习惯帮我省掉了至少三次「训练三天发现标签是坏的」的后悔药。希望这份 991 张的吸烟数据集能帮你把吸烟检测的基线快速立起来，剩下的就是在这个基础上补数据、调参数、做部署。希望帮到你。

本文还有配套的精品资源，点击获取