简介：面向计算机视觉目标检测训练场景，这份标注好的香烟数据集可直接用于YOLO系列模型的训练与验证。每一张图像都配有对应的XML标注文件，记录香烟实例的边界框位置与类别信息，免去手动标注流程，也适合目标检测入门练习及烟草识别相关项目研发，对高校教学和个人毕设同样友好。压缩包内Annotations与images目录层次清晰，共9742个文件，包括4879张JPG图像、4861个XML标注文件和2张PNG图片，总大小约483.55MB。图像素材覆盖不同拍摄角度、光照条件和背景环境，能够帮助提升模型在实际场景中的泛化能力，支持快速验证模型结构或作为预处理、增强策略的试验数据。已有967人学习下载，既可直接用于训练香烟检测器，也可在此基础上演练数据预处理、数据增强、超参数调节以及mAP等评价指标，有助于系统掌握YOLO训练到推理评估的完整流程。 我拿到这份“标注好的香烟数据集，用于YOLO目标检测训练”的需求时，第一反应是这活儿看着简单，实际坑不少。这两年公共场所禁烟管理、烟草柜台合规检测、仓储安防这类需求越来越多，很多人上来就想找个现成数据集直接跑YOLO，结果要么数据质量参差不齐，要么标注格式乱七八糟，训练出来的模型根本没法用。这篇文章就把这套香烟数据集的完整使用过程、训练配置和踩坑经验一次性讲清楚。
1. 这份数据集的底细：图像构成、类别定义与标注细节
先说数据集本身。这套香烟数据集是已经用LabelImg等工具标注好的YOLO格式数据集，图像主要来自实际场景采集，包括室内吸烟区、便利店烟草柜台、室外垃圾桶烟蒂、桌面散烟、烟盒陈列等不同环境。光照条件覆盖白天自然光、傍晚弱光、室内日光灯和夜间闪光灯，背景复杂度从纯色桌面到人流密集的公共场所都有涉及，对模型泛化能力的提升很有帮助。
类别定义方面，数据集包含两个核心类别：cigarette（香烟烟支）和cigarette_pack（烟盒）。有些版本还会把lighter（打火机）也纳入，但根据实际训练经验，类别越少模型收敛越快，误检率也越低。如果你的业务场景只需要检测烟支本身，建议训练时只保留cigarette这一类，等模型跑通后再逐步增加类别，不要一上来就贪多。
标注格式是标准的YOLO txt格式，每张图片对应一个同名txt文件，每行内容为：类别ID 中心点x坐标 中心点y坐标 框宽度 框高度。坐标值全部是归一化后的0到1之间的小数，比如0 0.5123 0.4567 0.0812 0.1563表示该图片中心位置有一个烟支目标。如果你的数据集是VOC格式（XML文件），需要先转成YOLO格式再用，这个转换脚本网上很多，后文也会给出一份可以直接用的。
这里要特别提醒一个容易忽略的细节：YOLO格式的归一化坐标不是像素坐标除以图片宽度这么简单，而是中心点x坐标要除以图片宽度，中心点y坐标要除以图片高度，框宽度除以图片宽度，框高度除以图片高度。很多人第一次写转换脚本时只归一化了中心点，忘了归一化宽高，结果训练出来的模型预测框全部偏大或偏小。
2. 训练前的三件套：目录结构、yaml配置和数据校验
拿到数据集后不要急着开训，先把环境目录结构和配置文件搭对。YOLOv5、YOLOv8、YOLOv9、YOLOv11系列对数据集目录结构的要求基本一致，推荐采用如下组织方式：
smoke_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/train、val、test三个子目录的比例建议按8:1:1或9:0.5:0.5划分，尤其要保证val集中包含各种光照条件和背景类型的样本，而不是随机抽取，否则验证集loss曲线会失真。images和labels下的子目录名称和数量必须完全一致，比如images下有train目录，labels下也必须有train目录，否则YOLO训练会报AssertionError: Label class 1 exceeds nc=1 in ...或找不到对应标签文件。
2.1 yaml配置文件的坑
YOLO系列的配置文件是data.yaml（有些版本叫dataset.yaml），内容大致如下：
path: /your/absolute/path/smoke_dataset train: images/train val: images/val test: images/test nc: 1 names: ['cigarette']有几个关键细节容易踩坑：
path字段建议写绝对路径，相对路径在跨平台运行时经常出问题，尤其是Windows和Linux路径分隔符不通用。train和val字段是相对path的相对路径，不要写成/images/train带前导斜杠，也不要写成绝对路径。nc必须和names列表长度一致，不一致时YOLOv8会直接报错，YOLOv5则可能在训练中途才爆出来。names的类别顺序必须和标签文件中类别ID一一对应。如果你的香烟标注是类别ID 0，那names的第一个元素必须是'cigarette'，这是最容易出低级错误的地方之一。
2.2 训练前必须做的数据校验
跑训练之前，我强烈建议先做一轮完整的数据校验，很多模型效果差的问题根源不在模型结构，而在数据集本身。校验包括：
标签格式校验：用Python读取每个txt文件的每一行，检查坐标值是否在0到1之间，检查是否有负数、超界值或NaN。烟支这类细长目标，标注框宽高比通常在1:3到1:8之间，如果某个框宽高比小于1:10或大于10:1，大概率是标注出错，需要检查。
可视化校验：把标注框画回原图，保存成验证图肉眼检查。这个步骤虽然费点时间，但能发现很多坐标转换脚本的隐藏bug。我见过一个数据集，每张图的标注框都相对真实目标偏移了半个身位，来源是标注工具导出时用了不同坐标系，这如果不可视化根本发现不了。
类别分布校验：统计每个类别的目标数量，看看是否存在极端不平衡。如果cigarette有8000个目标而cigarette_pack只有300个，模型很可能对烟盒的召回率极低，这时要么补充烟盒样本，要么考虑用数据增强策略来平衡。
3. 训练过程这么盯：损失曲线、评价指标和常见翻车信号
YOLO训练过程不是配好参数点个运行键就完事了，得实时盯着几条曲线，同时理解每个评价指标的意义。
3.1 核心评价指标怎么读
YOLO训练输出的评价指标主要有这几个：Box Loss（边界框回归损失）、Cls Loss（分类损失）、DFL Loss（分布焦点损失）、Precision（精确率）、Recall（召回率）、mAP@0.5和mAP@0.5:0.95。
mAP@0.5是IoU阈值0.5下的平均精度均值，数值越高代表检测框和真实框重叠程度越高。一般香烟检测模型跑到0.9以上属于优秀，0.8到0.9可以接受，0.8以下说明数据或训练配置有问题。mAP@0.5:0.95是多个IoU阈值下mAP的均值，常用于衡量定位精度。因为香烟烟支细长，预测框稍微偏一点IoU就会掉很快，所以这个指标普遍比mAP@0.5低0.15到0.25，只要有下降趋势就能接受。Precision和Recall是一对矛盾指标，精确率高但召回率低，说明模型检出来的都是对的但漏检多；召回率高但精确率低，说明模型检得多但误检也多。香烟检测业务中，漏检比误检的后果通常更严重，所以建议模型调优方向是优先保证Recall，再兼顾Precision。
3.2 损失曲线怎么看
训练过程中关注三条loss曲线：训练集loss（train/box_loss、train/cls_loss）和验证集loss（val/box_loss、val/cls_loss）。
正常情况是两条曲线同步下降并趋于平缓。如果出现train loss持续下降但val loss下降缓慢甚至反弹，就是过拟合信号，说明模型在死记训练集特征而没有学到泛化规律，这时需要增加数据增强、增加数据集规模或调低epoch。
如果train loss和val loss都降不下去，卡在一个高位震荡，最常见的原因是学习率过大或batch size不合适。YOLOv8默认学习率0.01，如果显存只够跑batch size 8，建议把学习率降到0.001或0.002再试，否则梯度更新步长太大，loss会在高位来回抖动。
3.3 一个必须警惕的翻车信号
很多新手训练到一半看到mAP@0.5涨到0.9就觉得自己模型已经完美了，但实际部署到摄像头画面里一测，发现框要么乱跳要么完全检测不到。原因往往是训练集和真实场景存在domain gap（领域差距），比如训练集图片基本都是正面视角、中近距离拍摄的香烟，但部署场景是斜上方45度俯瞰的监控视角，烟支在画面里又小又偏斜。
所以训练完成后必须留一部分真实部署场景的图片做最终验证，不能只看验证集mAP。如果差距很大，需要在训练集中补充对应视角和距离的样本，或者用域自适应方法做迁移学习。
4. 绕不开的小目标难题：长条形香烟的检测优化
香烟检测和常规目标检测有个显著区别：香烟是典型的长条形小目标。常规正方形物体的标注框宽高比接近1:1，但香烟的框宽高比常常达到1:5甚至1:10。这种目标对YOLO的anchor设计和特征层选择提出了特殊要求。
4.1 数据分辨率跟推理分辨率必须拆开
很多人有个误区，认为训练集图片分辨率越高越好。其实YOLO训练时需要将图片resize到固定的输入尺寸，比如640x640、960x960，训练集原始分辨率只要不低于这个值就可以。真正需要注意的是训练输入尺寸和推理输入尺寸的一致性。我习惯训练时imgsz=960，推理时也保持imgsz=960，如果训练用960推理用640，模型的感受野和检测头匹配度会下降，mAP普遍要掉3到5个点。
4.2 是否需要启用额外的小目标检测头
YOLOv8推出了yolov8n-seg和带P2检测头的版本，专门增强小目标检测能力。针对香烟这种细长目标，如果实际场景中烟支距离摄像头较远、在画面中像素尺寸很小（比如监控画面中烟支长度只有20到30个像素），建议开启yolov8s-p2.yaml这样带P2输出的模型结构配置，它能从更高分辨率特征图中检测小目标，对小尺寸长条形目标的召回率提升非常明显。
代价是显存占用增大、推理速度变慢，部署设备如果是Jetson Nano或树莓派这类边缘计算平台，需要仔细权衡。
4.3 数据增强的针对性调整
针对香烟这种目标，常规的随机旋转、平移、缩放增强策略不能照搬。比如随机旋转90度会把烟支旋转成垂直状态，但实际场景中香烟基本都是水平或小角度倾斜放置，过度旋转增强反而会让模型学到不真实的姿态。建议将degrees参数控制在15度以内，translate保持在0.1左右，flipud（上下翻转）可以关闭，因为香烟很少倒挂出现。
另一个有效技巧是mosaic增强，YOLOv8默认开启mosaic=1.0，它把四张图拼成一张训练，能显著提升模型对遮挡和小目标的鲁棒性。如果训练后期loss曲线震荡，可以把mosaic调低到0.5，让模型更多接触完整的目标图像去稳定收敛。
5. 一份可以照抄的实测配置：从命令到参数，再到常见的报错处理
这一节给出我实际训练香烟数据集时验证过的一套完整配置，环境是Ubuntu 22.04 + Python 3.10 + PyTorch 2.x + NVIDIA驱动，显卡是RTX 3060 12G。
5.1 安装YOLO环境
先创建虚拟环境，再安装依赖：
conda create -n yolo python=3.10 conda activate yolo pip install ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118训练单卡GTX 1660或RTX 3060完全够用，香烟数据集如果不算太大，6G显存也能勉强跑yolov8n或yolov8s。如果只有集显或CPU，训练也不是不行，但速度会慢到让人崩溃，比如CPU训练同一份数据可能要几个小时而显卡只要十几分钟。
5.2 训练命令
yolo detect train data=/path/smoke_dataset/data.yaml model=yolov8s.pt epochs=200 batch=16 imgsz=960 patience=20 device=0 project=smoke_run name=exp1参数含义：
model=yolov8s.pt表示用官方预训练权重做迁移学习初始化，比从头训练能快很多倍并且精度更高。epochs=200，如果数据量不大，设置patience=20后训练会在val loss连续20轮不下降时自动提前停止，不至于白烧显卡。batch=16，RTX 3060 12G在imgsz=960时建议从8开始试，显存溢出就减半。device=0表示用第一张GPU卡，纯CPU训练改成device=cpu。
训练结束后，模型权重保存在smoke_run/exp1/weights/best.pt和last.pt。best.pt是验证集表现最好的权重，last.pt是最后一轮的权重，部署时优先用best.pt。
5.3 推理测试
yolo detect predict model=smoke_run/exp1/weights/best.pt source=/path/test_images imgsz=960 conf=0.25 device=0conf=0.25表示置信度阈值，低于0.25的预测框会被过滤掉。如果发现误检多就调高到0.35或0.4，漏检多就调低到0.15，具体根据现场效果调整。
5.4 常见报错和处理
报错1：Class labels missing or empty
原因：labels目录下找不到对应的txt文件，或txt文件是空的。用脚本扫描数据集，找出哪些图片没有对应的标签文件。
报错2：CUDA out of memory
原因：batch size过大或图片尺寸太大。把batch减半或把imgsz降到640，优先保证训练能跑起来。
报错3：no labels found in train set
原因：data.yaml中路径配置错误，或者train目录下确实没有图片。检查yaml的path、train字段是否正确指向了包含图片的目录。
报错4：wandb相关报错
原因：YOLO默认会尝试连接wandb。如果不需要记录可视化日志，训练命令中加project=smoke_run并设置环境变量WANDB_MODE=disabled即可跳过。
6. 数据质量才是这个项目的胜负手
很多人在香烟检测项目上反复折腾模型结构、调参、换YOLO版本，但模型效果始终上不去。根据我的个人经验，十有八九是数据集的问题而不是模型的问题。
标注好的香烟数据集固然省事，但使用之前一定要做一轮彻底的数据清洗。重点清洗这几类问题：
- 漏标目标：一张图里明明有5根烟只标了3根，这会严重拉低recall。用训练好的模型反向检查训练集，先让模型预测一遍，再找出低置信度的漏检区域人工复核。
- 框不贴边：烟支是长条形，如果标注框只是大概框住而两边多出一大截，mAP@0.5:0.95会很惨。这种框会影响边界框回归损失，导致模型预测的框边界模糊。
- 低质量重复标注：同一个目标标了两个重叠框，训练时会产生矛盾梯度。写脚本检测IoU高于0.8的框对，人工确认后删掉多余的。
我通常的做法是第一轮训练用原始数据集跑50个epoch出一版临时权重，然后用这个权重去标注所有训练集图片，把置信度在0.3到0.9之间的预测框导出来人工审查，补充漏标、修正错框，这样洗一遍数据后再正式训练200个epoch，模型mAP普遍能提升5到10个百分点。这个方法在香烟数据集上效果尤其明显，因为烟支细长、排列密集，人工标注时漏标率本来就不低。
另外一个加分技巧是增加一些负样本，也就是完全不包含香烟但场景相似的图片，比如空的桌面、没有烟支的烟灰缸、正常的便利店货架。把这些图片标注为空文件放到训练集中，能显著降低模型在真实监控场景中的误检率。误检在公共场所禁烟管理这种场景里格外致命——你总不想系统每天把别人手里拿的白纸条或者白色吸管误报成香烟，然后推送给监管人员。加入负样本后，这类误检数量通常能减少一半以上。
7. 迁移到自己的场景：如何让通用香烟数据集适配特定摄像头视角
如果你拿到的香烟数据集是公开通用数据集，直接训练出来的模型在你自己部署场景上未必好用，原因前面提过——训练集视角和现场视角不一致。这里给出一个组合策略，是我实践下来成本最低、效果最好的路径：
第一步，先用现有数据集训练一版基础模型，目标只是让模型学会香烟的“通用特征”。第二步，从你的实际摄像头中截取2到3小时的监控视频，随机抽帧500到1000张，用第一步训练好的模型做自动标注，然后人工修正，得到一批带现场视角的定制数据。第三步，把定制数据按7:3的比例和原数据集混合，微调训练30到50个epoch。这套做法相当于先迁移学习一次再二次训练，即便是很小的现场数据集也能把现场视角下的mAP从0.6拉到0.85以上。
视角和距离这两个变量对香烟检测的影响远大于光照、遮挡等因素，我遇到过同一个模型在A点位摄像头下mAP高达0.92，换到B点位（更远、更倾斜的监控角度）直接降到0.71，加了几百张现场角度抽帧重新微调后才回到0.86。所以如果你做的是多摄像头部署项目，建议按摄像头点位分组微调，而不是一个模型吃遍所有场景。
说到底，数据集标注好只是起点，真正决定项目成败的是你对数据、模型、场景这三者的理解和匹配程度。香烟这种目标虽然小，但逻辑跟做大目标检测没有本质区别——把数据质量搞扎实，把评价指标盯到位，把环境坑避开，剩下的就是水到渠成。
本文还有配套的精品资源，点击获取
