YOLOv8目标检测实战：从原理到吸烟识别系统完整开发指南

在公共安全监控和智能安防领域，吸烟行为检测一直是个技术难点。传统的人工监控效率低下且容易漏检，而基于深度学习的YOLOv8目标检测技术为这一问题提供了高效的解决方案。本文将完整分享一套基于YOLOv8的吸烟识别检测系统，包含从环境搭建、数据集制作、模型训练到UI界面集成的全流程实战指南。

无论你是刚接触深度学习的新手，还是有一定经验的开发者，都能通过本文掌握YOLOv8在实际项目中的应用技巧。学完后你将能够独立搭建一个完整的吸烟检测系统，并具备将其部署到实际场景的能力。

1. YOLOv8技术背景与吸烟检测应用价值

1.1 YOLOv8目标检测技术概述

YOLOv8是Ultralytics公司于2023年发布的最新目标检测模型，它在YOLOv5的基础上进行了多项重要改进。YOLO（You Only Look Once）是一种单阶段目标检测算法，其核心思想是将目标检测任务转化为回归问题，通过单次前向传播即可完成目标的定位和分类。

YOLOv8的主要优势包括：

• 检测速度快：相比两阶段检测器，YOLOv8在保持高精度的同时具有更快的推理速度
• 精度提升：通过改进的骨干网络和检测头设计，在COCO数据集上达到state-of-the-art水平
• 易于使用：提供简洁的API接口，支持训练、验证、预测等完整流程
• 多任务支持：除了目标检测，还支持实例分割、姿态估计等任务

1.2 吸烟检测的实际应用场景

吸烟检测系统在多个领域具有重要应用价值：

公共安全监控：在加油站、化工厂、仓库等易燃易爆场所，吸烟行为可能引发严重安全事故。自动检测系统可以实时预警，防止事故发生。

智慧城市管理：在机场、火车站、商场等公共场所，吸烟检测有助于维护公共秩序和环境卫生。

智能办公：在企业办公室、会议室等场所，自动检测吸烟行为，营造无烟工作环境。

合规监管：在医疗机构、学校等特定场所，确保禁烟规定得到有效执行。

2. 环境准备与依赖配置

2.1 系统环境要求

为确保项目顺利运行，建议使用以下环境配置：

• 操作系统：Windows 10/11、Ubuntu 18.04+、macOS 10.14+
• Python版本：3.8-3.10（推荐3.9）
• 深度学习框架：PyTorch 1.12.0+
• GPU支持：NVIDIA GPU（可选，推荐GTX 1060 6G以上）

2.2 创建虚拟环境

首先创建独立的Python虚拟环境，避免包冲突：

# 创建虚拟环境 conda create -n yolov8_smoke python=3.9 conda activate yolov8_smoke # 或者使用venv python -m venv yolov8_smoke # Windows yolov8_smoke\Scripts\activate # Linux/macOS source yolov8_smoke/bin/activate

2.3 安装核心依赖包

安装YOLOv8及相关依赖：

# 安装PyTorch（根据CUDA版本选择） # CUDA 11.3 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113 # 或CPU版本 pip install torch==1.12.1+cpu torchvision==0.13.1+cpu --extra-index-url https://download.pytorch.org/whl/cpu # 安装Ultralytics YOLOv8 pip install ultralytics # 安装其他必要依赖 pip install opencv-python pillow matplotlib seaborn pandas numpy scipy pip install streamlit # UI界面框架 pip install albumentations # 数据增强

2.4 验证安装

创建验证脚本检查环境是否正确配置：

# verify_installation.py import torch import ultralytics import cv2 import streamlit as st print(f"PyTorch版本: {torch.__version__}") print(f"CUDA可用: {torch.cuda.is_available()}") print(f"YOLOv8版本: {ultralytics.__version__}") print(f"OpenCV版本: {cv2.__version__}") if torch.cuda.is_available(): print(f"GPU设备: {torch.cuda.get_device_name(0)}") print(f"GPU内存: {torch.cuda.get_device_properties(0).total_memory / 1024**3:.1f} GB")

3. 吸烟检测数据集准备与处理

3.1 数据集收集与标注

吸烟检测数据集需要包含各种场景下的吸烟行为图像。数据来源可以包括：

• 公开数据集：如Kaggle、Roboflow等平台的相关数据集
• 网络爬取：合规地收集公开图像（注意版权问题）
• 实际拍摄：在合规前提下采集真实场景数据

数据集标注使用YOLO格式，每个图像对应一个.txt标注文件，格式如下：

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

其中坐标值为归一化后的相对坐标（0-1之间）。

3.2 数据集目录结构

创建标准的数据集目录结构：

smoke_detection_dataset/ ├── images/ │ ├── train/ │ │ ├── image1.jpg │ │ ├── image2.jpg │ │ └── ... │ └── val/ │ ├── image101.jpg │ ├── image102.jpg │ └── ... └── labels/ ├── train/ │ ├── image1.txt │ ├── image2.txt │ └── ... └── val/ ├── image101.txt ├── image102.txt └── ...

3.3 数据集配置文件

创建数据集配置文件dataset.yaml：

# dataset.yaml path: /path/to/smoke_detection_dataset # 数据集根目录 train: images/train # 训练集图像路径 val: images/val # 验证集图像路径 # 类别数量 nc: 1 # 类别名称 names: ['smoking'] # 下载地址/自动下载设置（可选） download: None

3.4 数据增强策略

为提高模型泛化能力，配置数据增强策略：

# data_augmentation.py from ultralytics import YOLO import albumentations as A from albumentations.pytorch import ToTensorV2 def get_train_transforms(): return A.Compose([ A.HorizontalFlip(p=0.5), A.RandomBrightnessContrast(p=0.2), A.HueSaturationValue(p=0.2), A.GaussianBlur(blur_limit=3, p=0.1), A.RandomGamma(p=0.2), A.CLAHE(p=0.2), A.Resize(640, 640), A.Normalize(mean=[0, 0, 0], std=[1, 1, 1]), ToTensorV2() ], bbox_params=A.BboxParams(format='yolo', label_fields=['class_labels'])) def get_val_transforms(): return A.Compose([ A.Resize(640, 640), A.Normalize(mean=[0, 0, 0], std=[1, 1, 1]), ToTensorV2() ], bbox_params=A.BboxParams(format='yolo', label_fields=['class_labels']))

4. YOLOv8模型训练与优化

4.1 模型选择与初始化

YOLOv8提供多种规模的预训练模型，根据硬件条件选择合适的模型：

# model_training.py from ultralytics import YOLO import os # 选择模型规模（根据硬件条件选择） # model = YOLO('yolov8n.pt') # 纳米版，速度最快，精度较低 # model = YOLO('yolov8s.pt') # 小版，平衡速度与精度 model = YOLO('yolov8m.pt') # 中版，推荐用于大多数应用 # model = YOLO('yolov8l.pt') # 大版，精度最高，速度较慢 # model = YOLO('yolov8x.pt') # 超大版，最高精度 # 打印模型信息 print(f"模型参数数量: {sum(p.numel() for p in model.model.parameters())}")

4.2 训练参数配置

配置详细的训练参数：

# 训练配置 training_config = { 'data': 'dataset.yaml', # 数据集配置文件 'epochs': 100, # 训练轮数 'imgsz': 640, # 输入图像尺寸 'batch': 16, # 批次大小 'workers': 4, # 数据加载线程数 'device': 0, # GPU设备ID，0表示第一块GPU 'lr0': 0.01, # 初始学习率 'lrf': 0.01, # 最终学习率 'momentum': 0.937, # 动量 'weight_decay': 0.0005, # 权重衰减 'warmup_epochs': 3.0, # 热身轮数 'warmup_momentum': 0.8, # 热身动量 'box': 7.5, # 框损失权重 'cls': 0.5, # 分类损失权重 'dfl': 1.5, # DFL损失权重 'save_period': 10, # 保存周期 'seed': 42, # 随机种子 'deterministic': True, # 确定性训练 } # 开始训练 results = model.train(**training_config)

4.3 训练过程监控

实时监控训练过程的关键指标：

# monitor_training.py import matplotlib.pyplot as plt import pandas as pd from ultralytics.utils import plots def plot_training_results(results_path): """绘制训练结果图表""" # 读取训练结果CSV文件 results_csv = f"{results_path}/results.csv" df = pd.read_csv(results_csv) # 创建监控图表 fig, axes = plt.subplots(2, 2, figsize=(15, 10)) # 损失函数曲线 axes[0, 0].plot(df['epoch'], df['train/box_loss'], label='Box Loss') axes[0, 0].plot(df['epoch'], df['train/cls_loss'], label='Cls Loss') axes[0, 0].plot(df['epoch'], df['train/dfl_loss'], label='DFL Loss') axes[0, 0].set_title('Training Loss') axes[0, 0].legend() axes[0, 0].set_xlabel('Epoch') axes[0, 0].set_ylabel('Loss') # 验证指标 axes[0, 1].plot(df['epoch'], df['metrics/precision(B)'], label='Precision') axes[0, 1].plot(df['epoch'], df['metrics/recall(B)'], label='Recall') axes[0, 1].set_title('Validation Metrics') axes[0, 1].legend() axes[0, 1].set_xlabel('Epoch') axes[0, 1].set_ylabel('Score') # mAP指标 axes[1, 0].plot(df['epoch'], df['metrics/mAP50(B)'], label='mAP@0.5') axes[1, 0].plot(df['epoch'], df['metrics/mAP50-95(B)'], label='mAP@0.5:0.95') axes[1, 0].set_title('mAP Metrics') axes[1, 0].legend() axes[1, 0].set_xlabel('Epoch') axes[1, 0].set_ylabel('mAP') # 学习率变化 axes[1, 1].plot(df['epoch'], df['lr/pg0'], label='Learning Rate') axes[1, 1].set_title('Learning Rate Schedule') axes[1, 1].legend() axes[1, 1].set_xlabel('Epoch') axes[1, 1].set_ylabel('Learning Rate') plt.tight_layout() plt.savefig('training_monitor.png', dpi=300, bbox_inches='tight') plt.show() # 使用示例 plot_training_results('runs/detect/train')

4.4 模型验证与评估

训练完成后对模型进行全面评估：

# model_evaluation.py from ultralytics import YOLO import matplotlib.pyplot as plt # 加载最佳模型 model = YOLO('runs/detect/train/weights/best.pt') # 在验证集上评估 metrics = model.val( data='dataset.yaml', imgsz=640, batch=16, conf=0.25, # 置信度阈值 iou=0.6, # IoU阈值 device=0, split='val' ) # 打印评估结果 print(f"mAP@0.5: {metrics.box.map50:.3f}") print(f"mAP@0.5:0.95: {metrics.box.map:.3f}") print(f"Precision: {metrics.box.mp:.3f}") print(f"Recall: {metrics.box.mr:.3f}") # 生成混淆矩阵和PR曲线 model.val(plots=True, save_json=True)

5. 吸烟检测系统UI界面开发

5.1 Streamlit界面框架设计

使用Streamlit构建用户友好的Web界面：

# app.py import streamlit as st import cv2 import numpy as np from PIL import Image import tempfile import os from ultralytics import YOLO import time # 页面配置 st.set_page_config( page_title="YOLOv8吸烟检测系统", page_icon="🚭", layout="wide", initial_sidebar_state="expanded" ) # 标题和介绍 st.title("🚭 YOLOv8吸烟行为检测系统") st.markdown(""" 基于YOLOv8深度学习模型的智能吸烟检测系统，支持图片、视频和实时摄像头检测。 """) # 侧边栏配置 st.sidebar.title("配置选项") confidence_threshold = st.sidebar.slider("置信度阈值", 0.1, 1.0, 0.5, 0.05) iou_threshold = st.sidebar.slider("IoU阈值", 0.1, 1.0, 0.5, 0.05) # 模型加载 @st.cache_resource def load_model(): """加载YOLOv8模型""" try: model = YOLO('runs/detect/train/weights/best.pt') st.sidebar.success("模型加载成功！") return model except Exception as e: st.sidebar.error(f"模型加载失败: {e}") return None model = load_model() # 检测模式选择 detection_mode = st.sidebar.radio( "选择检测模式", ["图片检测", "视频检测", "实时摄像头"] )

5.2 图片检测功能实现

# 图片检测功能 if detection_mode == "图片检测": st.header("图片检测") uploaded_file = st.file_uploader( "上传图片", type=['jpg', 'jpeg', 'png'], help="支持JPG、JPEG、PNG格式" ) if uploaded_file is not None: # 显示原图 image = Image.open(uploaded_file) col1, col2 = st.columns(2) with col1: st.subheader("原图") st.image(image, use_column_width=True) with col2: st.subheader("检测结果") # 进行检测 if model is not None: with st.spinner("检测中..."): # 转换图像格式 image_np = np.array(image) # YOLOv8检测 results = model.predict( source=image_np, conf=confidence_threshold, iou=iou_threshold, imgsz=640, save=False ) # 绘制检测结果 annotated_image = results[0].plot() st.image(annotated_image, use_column_width=True) # 显示检测统计 detections = results[0].boxes if len(detections) > 0: st.success(f"检测到 {len(detections)} 个吸烟行为") # 显示详细信息 with st.expander("检测详情"): for i, box in enumerate(detections): conf = box.conf.item() cls = box.cls.item() st.write(f"目标 {i+1}: 置信度 {conf:.3f}") else: st.info("未检测到吸烟行为")

5.3 视频检测功能实现

# 视频检测功能 elif detection_mode == "视频检测": st.header("视频检测") uploaded_video = st.file_uploader( "上传视频", type=['mp4', 'avi', 'mov'], help="支持MP4、AVI、MOV格式" ) if uploaded_video is not None: # 保存上传的视频文件 tfile = tempfile.NamedTemporaryFile(delete=False) tfile.write(uploaded_video.read()) # 视频处理 if model is not None: st.info("视频检测处理中，请稍候...") # 创建输出视频路径 output_path = "output_video.mp4" # 使用YOLOv8进行视频检测 results = model.predict( source=tfile.name, conf=confidence_threshold, iou=iou_threshold, imgsz=640, save=True, project=".", name="temp", exist_ok=True ) # 显示处理后的视频 if os.path.exists("temp/output_video.mp4"): st.success("视频处理完成！") # 显示视频 video_file = open("temp/output_video.mp4", "rb") video_bytes = video_file.read() st.video(video_bytes) # 清理临时文件 os.unlink(tfile.name) # os.remove("temp/output_video.mp4") # os.rmdir("temp")

5.4 实时摄像头检测

# 实时摄像头检测功能 else: st.header("实时摄像头检测") st.warning("实时检测功能需要摄像头权限，请在安全环境下使用") # 摄像头选择 camera_option = st.selectbox("选择摄像头", [0, 1, 2]) if st.button("开始实时检测"): st.info("正在启动摄像头...") # 创建视频捕获对象 cap = cv2.VideoCapture(camera_option) # 创建显示区域 frame_placeholder = st.empty() stop_button = st.button("停止检测") while cap.isOpened() and not stop_button: ret, frame = cap.read() if not ret: st.error("无法读取摄像头画面") break # YOLOv8检测 results = model.predict( source=frame, conf=confidence_threshold, iou=iou_threshold, imgsz=640, verbose=False ) # 绘制检测结果 annotated_frame = results[0].plot() # 转换BGR到RGB annotated_frame_rgb = cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB) # 显示帧 frame_placeholder.image(annotated_frame_rgb, use_column_width=True) # 控制帧率 time.sleep(0.03) # 释放资源 cap.release() st.success("摄像头已关闭")

6. 系统部署与性能优化

6.1 模型导出与优化

为了在不同平台上部署，需要将模型导出为合适的格式：

# model_export.py from ultralytics import YOLO # 加载训练好的模型 model = YOLO('runs/detect/train/weights/best.pt') # 导出为不同格式 export_formats = [ 'torchscript', # TorchScript格式 'onnx', # ONNX格式 'engine', # TensorRT引擎 'coreml', # CoreML格式（iOS） 'saved_model', # TensorFlow SavedModel 'pb', # TensorFlow GraphDef 'tflite', # TensorFlow Lite 'edgetpu', # Edge TPU格式 'openvino', # OpenVINO格式 ] for fmt in export_formats: try: model.export(format=fmt, imgsz=640, optimize=True) print(f"成功导出为 {fmt} 格式") except Exception as e: print(f"导出 {fmt} 格式失败: {e}")

6.2 性能优化策略

针对不同部署场景进行性能优化：

# performance_optimization.py import torch from ultralytics import YOLO def optimize_model_performance(): """模型性能优化""" model = YOLO('runs/detect/train/weights/best.pt') # 1. 半精度推理（FP16） model.model.half() # 转换为半精度 # 2. 模型量化（INT8） # 需要安装torch.quantization try: model.model.qconfig = torch.quantization.get_default_qconfig('fbgemm') torch.quantization.prepare(model.model, inplace=True) torch.quantization.convert(model.model, inplace=True) except: print("量化失败，跳过此步骤") # 3. 层融合优化 torch.jit.optimize_for_inference(torch.jit.script(model.model)) return model def benchmark_model(model, image_size=640, iterations=100): """模型性能基准测试""" # 创建测试张量 dummy_input = torch.randn(1, 3, image_size, image_size) # GPU测试（如果可用） if torch.cuda.is_available(): model.model.cuda() dummy_input = dummy_input.cuda() # Warmup for _ in range(10): _ = model.model(dummy_input) # 基准测试 start_time = time.time() for _ in range(iterations): _ = model.model(dummy_input) torch.cuda.synchronize() gpu_time = (time.time() - start_time) / iterations * 1000 # ms print(f"GPU推理时间: {gpu_time:.2f}ms") print(f"GPU FPS: {1000/gpu_time:.2f}") # CPU测试 model.model.cpu() dummy_input = dummy_input.cpu() # Warmup for _ in range(10): _ = model.model(dummy_input) # 基准测试 start_time = time.time() for _ in range(iterations): _ = model.model(dummy_input) cpu_time = (time.time() - start_time) / iterations * 1000 # ms print(f"CPU推理时间: {cpu_time:.2f}ms") print(f"CPU FPS: {1000/cpu_time:.2f}") # 使用示例 optimized_model = optimize_model_performance() benchmark_model(optimized_model)

7. 常见问题与解决方案

7.1 训练过程中的常见问题

问题1：训练损失不下降或出现NaN

解决方案：

# 调整学习率策略 training_config = { 'lr0': 0.001, # 降低初始学习率 'warmup_epochs': 5.0, # 增加热身轮数 'cos_lr': True, # 使用余弦退火 } # 添加梯度裁剪 training_config['grad_clip'] = 10.0

问题2：过拟合现象严重

解决方案：

# 增强数据增强 augmentation_config = { 'hsv_h': 0.015, # 色调增强 'hsv_s': 0.7, # 饱和度增强 'hsv_v': 0.4, # 亮度增强 'translate': 0.1, # 平移增强 'scale': 0.5, # 缩放增强 'flipud': 0.0, # 上下翻转 'fliplr': 0.5, # 左右翻转 'mosaic': 1.0, # 马赛克增强 'mixup': 0.0, # MixUp增强 }

7.2 推理部署中的问题

问题3：推理速度慢

优化方案：

# 推理优化配置 inference_config = { 'imgsz': 320, # 减小输入尺寸 'half': True, # 使用半精度 'device': 0, # 使用GPU 'verbose': False, # 关闭详细输出 'agnostic_nms': True, # 类别无关NMS } # 批量推理优化 def batch_inference(images, batch_size=8): """批量推理优化""" results = [] for i in range(0, len(images), batch_size): batch = images[i:i+batch_size] batch_results = model(batch, **inference_config) results.extend(batch_results) return results

问题4：误检和漏检

改进方案：

# 后处理优化 def optimize_postprocessing(results, conf_threshold=0.3, iou_threshold=0.5): """后处理优化""" for result in results: boxes = result.boxes # 置信度过滤 if len(boxes) > 0: conf_mask = boxes.conf > conf_threshold boxes = boxes[conf_mask] # NMS过滤 if len(boxes) > 1: iou_mask = torch.ops.torchvision.nms( boxes.xyxy, boxes.conf, iou_threshold ) boxes = boxes[iou_mask] result.boxes = boxes return results

8. 项目扩展与进阶应用

8.1 多类别检测扩展

当前系统专注于吸烟检测，可以扩展为多类别安全检测系统：

# 扩展的数据集配置 nc: 4 names: ['smoking', 'fire', 'intrusion', 'fall']

8.2 集成报警系统

将检测系统与报警机制集成：

# alarm_system.py import smtplib from email.mime.text import MimeText from email.mime.multipart import MimeMultipart import requests class AlertSystem: def __init__(self, config): self.config = config def send_email_alert(self, detection_info): """发送邮件报警""" msg = MimeMultipart() msg['From'] = self.config['email_from'] msg['To'] = self.config['email_to'] msg['Subject'] = "吸烟行为检测报警" body = f""" 检测到吸烟行为！ 时间: {detection_info['timestamp']} 位置: {detection_info['location']} 置信度: {detection_info['confidence']:.3f} """ msg.attach(MimeText(body, 'plain')) try: server = smtplib.SMTP(self.config['smtp_server'], self.config['smtp_port']) server.starttls() server.login(self.config['email_from'], self.config['smtp_password']) server.send_message(msg) server.quit() print("邮件报警发送成功") except Exception as e: print(f"邮件发送失败: {e}") def send_webhook_alert(self, detection_info): """发送Webhook报警""" webhook_url = self.config['webhook_url'] payload = { "alert_type": "smoking_detection", "timestamp": detection_info['timestamp'], "confidence": detection_info['confidence'], "location": detection_info['location'] } try: response = requests.post(webhook_url, json=payload) if response.status_code == 200: print("Webhook报警发送成功") except Exception as e: print(f"Webhook发送失败: {e}")

8.3 模型持续学习

实现模型的在线学习和持续改进：

# continuous_learning.py import torch from ultralytics import YOLO import os class ContinuousLearning: def __init__(self, model_path, new_data_path): self.model = YOLO(model_path) self.new_data_path = new_data_path self.retrain_interval = 1000 # 每1000个新样本重训练一次 self.sample_count = 0 def add_new_sample(self, image, annotations): """添加新样本到训练集""" # 保存新样本 sample_id = f"new_sample_{self.sample_count}" image_path = f"{self.new_data_path}/images/{sample_id}.jpg" annotation_path = f"{self.new_data_path}/labels/{sample_id}.txt" # 保存图像和标注 cv2.imwrite(image_path, image) with open(annotation_path, 'w') as f: for ann in annotations: f.write(f"{ann['class_id']} {ann['x_center']} {ann['y_center']} {ann['width']} {ann['height']}\n") self.sample_count += 1 # 达到重训练阈值时触发重训练 if self.sample_count % self.retrain_interval == 0: self.retrain_model() def retrain_model(self): """重训练模型""" print("开始模型重训练...") # 合并新旧数据集 merged_config = self.merge_datasets() # 重训练配置 retrain_config = { 'data': merged_config, 'epochs': 50, 'imgsz': 640, 'batch': 16, 'device': 0, 'resume': True, # 从现有权重继续训练 'lr0': 0.001, # 使用较小的学习率 } # 开始重训练 self.model.train(**retrain_config) print("模型重训练完成")

本文完整介绍了基于YOLOv8的吸烟检测系统从零到一的实现过程，涵盖了环境配置、数据准备、模型训练、UI界面开发、性能优化等关键环节。在实际部署时，建议先在测试环境中充分验证系统稳定性，再逐步推广到生产环境。

对于想要进一步深入学习的开发者，可以关注模型压缩、边缘设备部署、多模态融合等进阶方向。吸烟检测只是目标检测技术的一个应用场景，掌握YOLOv8的核心原理和工程实践方法，能够为你在计算机视觉领域的其他项目打下坚实基础。