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，可用于训练和验证抽烟场景下的目标识别模型，适用于安防监控、公共场所行为分析等应用方向。资源共包含991张原始图片，每张图片均配有对应的YOLO格式标注文件，另附1个yaml配置文件，压缩包内文件总数1983个，以jpg图像与txt标注为主，整体约44.7MB，可直接接入YOLOv8训练流程。据描述，该数据集在常规训练条件下平均识别率可达88.3%，标注质量与场景覆盖具备一定参考价值。目前已有110人学习下载，适合需要快速搭建吸烟检测基线、开展模型微调或进行算法对比实验的读者使用，也可作为课程设计与毕业设计的数据支撑。
1. 吸烟数据集 991 张原始图片：88.3% 识别率背后的真实门槛
手上只有 991 张原始图片，标注成 yolov8 格式，跑出平均识别率 88.3%——这个数字放在公开数据集上不算亮眼，但放在一个自采的小规模吸烟行为数据集上，已经能支撑一个可用的原型系统。问题在于，很多人拿到这类数据集的第一反应是直接yolo train，然后发现验证集 mAP 忽高忽低，换一批测试图就崩。88.3% 不是终点，它更像一个基准线：告诉你这个数据规模下模型能学到什么、学不到什么。吸烟行为检测的难点不在“烟”本身，而在手部遮挡、烟雾干扰、光照变化和拍摄角度。991 张图意味着每个类别平均不到 1000 个样本，如果场景分布再偏一点，模型很容易记住背景而不是行为。这篇笔记面向的是手里有类似小规模数据集、想用 yolov8 跑出稳定结果的工程师，从数据检查、标注格式转换、训练参数到部署前的验证，把 88.3% 这个数字拆开看，哪些是数据决定的，哪些是参数能救的。
2. 从 991 张原始图片到 yolov8 可训练格式：数据检查与标注转换
2.1 先别急着训练：991 张图的分布检查
拿到“991 张原始图片”这个数字，第一件事不是解压，而是统计。吸烟行为检测的数据集通常来自监控截图、手机拍摄或网络爬取，场景一致性差。我一般会先跑一个脚本，输出图片尺寸分布、亮度均值、以及标注框的宽高比。这一步能提前暴露三类问题：尺寸极端（比如大量 1920×1080 和少量 640×480 混在一起）、亮度断层（白天和夜间样本比例失衡）、标注框异常（宽高比接近 1:1 的框很可能是误标的人脸或手部）。
import os from PIL import Image import numpy as np img_dir = "raw_images" sizes = [] brightness = [] for fname in os.listdir(img_dir): if not fname.lower().endswith((".jpg", ".png", ".jpeg")): continue path = os.path.join(img_dir, fname) with Image.open(path) as im: w, h = im.size sizes.append((w, h)) gray = np.array(im.convert("L")) brightness.append(gray.mean()) print("唯一尺寸数量:", len(set(sizes))) print("尺寸样本:", list(set(sizes))[:10]) print("亮度均值范围: %.1f - %.1f" % (min(brightness), max(brightness))) print("亮度标准差: %.1f" % np.std(brightness))这段脚本不依赖任何深度学习框架，纯 PIL + numpy 就能跑。重点看两个输出：唯一尺寸数量如果超过 5 种，说明数据来源杂，训练前必须统一 resize 或做多尺度增强；亮度标准差超过 40，说明光照变化剧烈，需要针对性做亮度抖动增强。991 张图里如果夜间样本少于 150 张，模型在暗光下的漏检率会明显上升，这时候要么补数据，要么在训练时把hsv_v调高。
2.2 yolov8 标注格式的四个字段与常见转换错误
yolov8 的标注格式是每张图对应一个.txt文件，每行五个值：class_id x_center y_center width height，全部归一化到 0-1。很多人从 LabelImg 或 CVAT 导出时选错格式，得到的是 VOC 的xmin ymin xmax ymax绝对值，直接丢给 yolov8 训练会报错或学出乱框。转换逻辑不复杂，但有两个坑：一是坐标越界，xmax超过图片宽度时归一化后大于 1，yolov8 虽然不报错但会裁切，导致框偏移；二是类别名和data.yaml里的names顺序不一致，模型会把“吸烟”和“未吸烟”学反。
import os from PIL import Image def voc_to_yolo(img_path, xml_boxes, class_map, out_path): """ img_path: 图片路径，用于读取宽高 xml_boxes: list of (class_name, xmin, ymin, xmax, ymax) class_map: dict, 类别名到 id 的映射 out_path: 输出 txt 路径 """ with Image.open(img_path) as im: W, H = im.size lines = [] for cls_name, xmin, ymin, xmax, ymax in xml_boxes: # 裁剪越界坐标 xmin = max(0, min(xmin, W - 1)) ymin = max(0, min(ymin, H - 1)) xmax = max(0, min(xmax, W - 1)) ymax = max(0, min(ymax, H - 1)) if xmax <= xmin or ymax <= ymin: continue # 跳过无效框 xc = (xmin + xmax) / 2.0 / W yc = (ymin + ymax) / 2.0 / H bw = (xmax - xmin) / W bh = (ymax - ymin) / H lines.append(f"{class_map[cls_name]} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}") with open(out_path, "w") as f: f.write("\n".join(lines))参数说明：class_map必须和data.yaml里的names完全一致，建议用{"smoking": 0, "not_smoking": 1}这种显式映射，不要依赖字母序。xmin等坐标裁剪到[0, W-1]是为了防止标注工具导出的浮点坐标越界。如果转换后某个 txt 文件为空，说明该图所有框都被判为无效，需要回查原标注。991 张图转换完，建议统计一下每类框的数量，如果某一类少于 300 个框，训练时该类别的召回率会明显偏低。
2.3 data.yaml 的路径写法与类别顺序
data.yaml是 yolov8 训练的入口配置，三个关键字段：train、val、names。路径建议用绝对路径，相对路径在yolo train切换工作目录时容易找不到。names的顺序就是class_id的顺序，写错一个位置，整个模型的输出语义就反了。常见做法是把train和val指向两个文件夹，每个文件夹下放images和labels子目录，yolov8 会自动匹配同名文件。
path: /data/smoking_dataset train: /data/smoking_dataset/train/images val: /data/smoking_dataset/val/images nc: 2 names: 0: smoking 1: not_smoking注意nc必须等于names的长度。如果只有“吸烟”一个类别，nc: 1，names: {0: smoking}。991 张图按 8:2 划分，训练集约 793 张，验证集约 198 张。如果某些场景在验证集里完全没出现，88.3% 这个数字会虚高，实际部署时遇到新场景就翻车。建议按场景分层抽样，而不是随机划分。
3. yolov8 训练参数怎么设：从 88.3% 往回推
3.1 小数据集必须改的四个超参数
yolov8 的默认参数是针对 COCO 这种十万级数据集设计的，991 张图直接套默认值，过拟合几乎必然。我一般会改四个：epochs、batch、lr0、patience。epochs默认 100，小数据集可以拉到 200-300，但必须配合patience早停，否则后面全是过拟合。batch默认 16，如果显存够，保持 16 或降到 8，小 batch 对小数据集的梯度噪声反而有正则效果。lr0默认 0.01，小数据集建议降到 0.001-0.005，避免初期震荡。patience设 30-50，验证集 mAP 连续不升就停。
yolo detect train \ data=/data/smoking_dataset/data.yaml \ model=yolov8n.pt \ epochs=250 \ batch=8 \ imgsz=640 \ lr0=0.003 \ patience=40 \ hsv_h=0.015 \ hsv_s=0.7 \ hsv_v=0.4 \ degrees=10 \ translate=0.1 \ scale=0.5 \ fliplr=0.5 \ mosaic=1.0 \ close_mosaic=20 \ device=0参数说明：hsv_v=0.4比默认 0.4 略高，针对吸烟场景的光照变化；degrees=10允许小角度旋转，因为拍摄角度不可能完全正对；close_mosaic=20表示最后 20 个 epoch 关闭 mosaic 增强，让模型在真实分布上收敛。model=yolov8n.pt是最小模型，991 张图用 n 或 s 就够了，用 m 以上反而容易过拟合。如果显存只有 6GB，batch=4，imgsz=512，但识别率可能掉 2-3 个点。
3.2 训练过程看什么：损失曲线与 mAP 的对应关系
yolov8 训练时会输出box_loss、cls_loss、dfl_loss和mAP50、mAP50-95。小数据集最典型的曲线是：前 50 个 epoch 损失快速下降，mAP 爬到 80% 左右，然后开始震荡。如果cls_loss持续下降但mAP50不升，说明模型在记忆训练集，验证集没泛化。这时候看val/box_loss，如果它开始上升，就是过拟合信号，早停该生效了。88.3% 的识别率如果是mAP50，对应mAP50-95大概在 55-65% 之间，这个差距说明框的定位精度还有提升空间，但分类本身已经比较稳。
from ultralytics import YOLO import matplotlib.pyplot as plt model = YOLO("runs/detect/train/weights/best.pt") metrics = model.val(data="/data/smoking_dataset/data.yaml", split="val") print("mAP50:", metrics.box.map50) print("mAP50-95:", metrics.box.map) print("每类 AP:", metrics.box.ap_class_index, metrics.box.ap)这段代码加载训练好的best.pt，在验证集上重新评估。metrics.box.ap会输出每个类别的 AP，如果“吸烟”类的 AP 明显低于“未吸烟”，说明吸烟样本的特征更难学，可能需要单独补吸烟的正样本，或者在损失函数里给吸烟类更高权重。注意val的split参数要和训练时一致，否则评估结果不可比。
3.3 识别率 88.3% 的拆解：哪些图在拉低指标
88.3% 是一个平均值，真正要关心的是哪些图被分错了。我一般会把验证集里置信度低于 0.5 的预测框和对应的真值框导出来，人工看一遍。常见错误类型有三种：手部遮挡导致烟头只露出一小截，模型漏检；烟雾和背景颜色接近，模型把烟雾当成烟；夜间红外模式下烟头高亮，模型过检。这三种错误对应的改进方向不同：漏检补数据，误检加负样本，过检调conf阈值。
from ultralytics import YOLO import cv2 model = YOLO("runs/detect/train/weights/best.pt") results = model.predict( source="/data/smoking_dataset/val/images", conf=0.25, iou=0.45, save=True, save_txt=True, project="runs/error_analysis" ) # 低置信度样本会保存在 runs/error_analysis 下，人工复查conf=0.25是导出低置信度预测的常用阈值，比默认 0.25 更低可以暴露更多边缘案例。save_txt=True会把预测框写成 yolov8 格式，方便和真值对比。如果发现某类错误集中在特定场景（比如全是夜间），那就针对该场景做数据增强或补采，而不是盲目调参。991 张图里如果有 100 张夜间图，模型在夜间的识别率可能只有 70%，但白天能到 95%，平均下来 88.3% 就是这么来的。
4. 吸烟检测的避坑与排查：991 张图踩过的五个坑
4.1 坑一：验证集 mAP 很高，换视频流就崩
现象：训练完mAP50到 88.3%，但拿一段监控视频逐帧推理，漏检率超过 40%。原因：验证集和训练集来自同一批图片，场景分布几乎一样，模型学到的是这批图的背景特征，而不是吸烟行为的通用特征。解决：按场景划分验证集，比如训练集用室内监控，验证集用室外手机拍摄；或者用yolo val时指定split=test，提前留出一批完全没参与训练的图。如果数据量实在不够，至少保证验证集里有 20% 的图来自不同设备或不同光照条件。
4.2 坑二：标注框把整只手都框进去
现象：模型推理时把整个手部区域判为吸烟，烟头反而没框出来。原因：标注时为了省事，把拿烟的手整体框住，而不是只框烟头或烟身。yolov8 学到的特征是“手+烟”的组合，当手部动作类似但不拿烟时，误检率飙升。解决：重新标注，只框烟头或烟身可见部分，手部不框。如果烟头太小（小于 16×16 像素），考虑放大图片或提高imgsz到 1280。991 张图里如果超过 30% 的框是“手+烟”，这个坑几乎必踩。
4.3 坑三：类别不平衡导致“未吸烟”类霸屏
现象：推理结果几乎全是“未吸烟”，吸烟类的召回率不到 50%。原因：991 张图里“未吸烟”样本远多于“吸烟”样本，模型倾向于预测多数类。解决：在data.yaml里给吸烟类更高权重，或者用yolo train的cls参数调整分类损失权重。更直接的办法是过采样吸烟类图片，复制到训练集里，但要注意不要复制验证集里的图。常见做法是保持验证集分布不变，只在训练集里做重采样。
4.4 坑四：imgsz 和原始图片尺寸不匹配
现象：训练时imgsz=640，但原始图片是 1920×1080，小烟头被 resize 后只剩几个像素，模型学不到。原因：yolov8 默认会把图片缩放到imgsz，小目标在缩放后信息丢失。解决：如果烟头在原始图中占比小于 1%，把imgsz提到 1280 或 1536，或者用切片推理（SAHI）。但提高imgsz会显著增加显存和训练时间，991 张图用 1280 训练，batch 可能要降到 4。折中方案是保持 640 训练，推理时用 1280，但效果不如训练时就匹配。
4.5 坑五：数据增强过度导致烟头变形
现象：训练时mosaic=1.0、degrees=45、scale=0.9，模型在验证集上表现还行，但实际图片里烟头稍微倾斜就漏检。原因：过度的几何增强让模型没见过正常角度的烟头，学到的特征被扭曲。解决：小数据集增强要克制，degrees不超过 15，scale不超过 0.5，mosaic可以在最后 20 个 epoch 关闭。吸烟检测的关键特征是烟头的形状和颜色，过度旋转和缩放会破坏这些特征。我一般会先用默认增强跑一版，看验证集错误类型，再针对性加增强。
5. 把 88.3% 推到 90% 以上的三个进阶技巧
5.1 用热力图定位模型的注意力盲区
yolov8 本身不直接输出热力图，但可以用Grad-CAM对 backbone 的最后一层做可视化。如果热力图集中在背景而不是烟头区域，说明模型学偏了。这个技巧在 991 张图这种小数据集上特别有用，因为模型很容易走捷径。我一般会挑 10 张验证集里预测正确的图，看热力图是否落在烟头上；再挑 10 张预测错误的图，看模型在看哪里。如果错误图的热力图集中在手部或脸部，说明标注或数据分布有问题。
import torch import cv2 import numpy as np from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") model.model.eval() # 取 backbone 最后一层 target_layer = model.model.model[-2] features = [] grads = [] def hook_fn(module, input, output): features.append(output) output.register_hook(lambda grad: grads.append(grad)) handle = target_layer.register_forward_hook(hook_fn) img = cv2.imread("/data/smoking_dataset/val/images/sample.jpg") img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) results = model.predict(img_rgb, conf=0.25) # 反向传播取梯度 loss = results[0].boxes.conf.sum() loss.backward() feat = features[0].detach().cpu().numpy()[0] grad = grads[0].detach().cpu().numpy()[0] weights = np.mean(grad, axis=(1, 2)) cam = np.sum(weights[:, None, None] * feat, axis=0) cam = np.maximum(cam, 0) cam = cv2.resize(cam, (img.shape[1], img.shape[0])) cam = cam / cam.max() heatmap = cv2.applyColorMap(np.uint8(255 * cam), cv2.COLORMAP_JET) overlay = cv2.addWeighted(img, 0.6, heatmap, 0.4, 0) cv2.imwrite("heatmap.jpg", overlay) handle.remove()这段代码的关键是target_layer的选择，model.model[-2]通常是 backbone 的最后一个 C2f 模块。weights是每个通道的梯度均值，cam是加权后的特征图。热力图红色区域就是模型关注的地方。如果红色在背景，说明模型没学到烟头特征，需要检查标注或增加烟头区域的裁剪增强。
5.2 用 TTA 和模型融合榨出最后两个点
测试时增强（TTA）对小数据集提升明显，因为模型对同一张图的不同变换预测可以互补。yolov8 的predict支持augment=True，会做水平翻转和多尺度推理。但 TTA 会拖慢推理速度，适合离线分析或对实时性要求不高的场景。模型融合更直接：用yolov8n和yolov8s各训一版，推理时把两版的框做 NMS 融合。991 张图训两个模型，总时间可控，融合后 mAP 通常能涨 1-2 个点。
from ultralytics import YOLO import numpy as np model_n = YOLO("runs/detect/train_n/weights/best.pt") model_s = YOLO("runs/detect/train_s/weights/best.pt") img = "/data/smoking_dataset/val/images/sample.jpg" res_n = model_n.predict(img, conf=0.25, augment=True)[0] res_s = model_s.predict(img, conf=0.25, augment=True)[0] # 合并两版框，按置信度排序后做 NMS boxes = np.concatenate([res_n.boxes.xyxy.cpu().numpy(), res_s.boxes.xyxy.cpu().numpy()]) scores = np.concatenate([res_n.boxes.conf.cpu().numpy(), res_s.boxes.conf.cpu().numpy()]) classes = np.concatenate([res_n.boxes.cls.cpu().numpy(), res_s.boxes.cls.cpu().numpy()]) # 简单按类别做 NMS，实际可用 torchvision.ops.nms from torchvision.ops import nms import torch keep = nms(torch.tensor(boxes), torch.tensor(scores), iou_threshold=0.5) final_boxes = boxes[keep.numpy()] final_scores = scores[keep.numpy()] print("融合后框数:", len(final_boxes))augment=True会做水平翻转和多尺度，推理时间大概是原来的 3 倍。nms的iou_threshold=0.5是常用值，如果两版模型框重叠度高，可以降到 0.4。融合的前提是两个模型的错误不相关，所以最好用不同 backbone 或不同数据增强策略训出来的模型。如果两个模型都是yolov8n且训练参数一样，融合提升有限。
5.3 部署前的最后一关：用真实视频流做影子测试
88.3% 是验证集上的数字，部署到实际场景前，必须用真实视频流做影子测试。我一般会拿一段 5-10 分钟的监控视频，逐帧推理，统计每类的检出次数和误报次数。重点看三个指标：吸烟行为的检出率、误报率（把非吸烟判为吸烟）、以及连续帧的一致性。如果某一帧检出吸烟，下一帧又消失，说明模型不稳定，需要加时序平滑。影子测试不需要标注，人工看一遍就能发现大部分问题。991 张图训出来的模型，在真实视频流上能保持 85% 以上的检出率，这个方案就值得继续投入；如果掉到 70% 以下，优先补数据而不是调参。
我自己的习惯是，每次训完一个版本，先不急着看 mAP，而是拿一段没参与训练的监控视频跑一遍，把误报和漏报的帧截出来，按场景分类。这个习惯帮我省了很多“验证集虚高”的后悔药。小数据集做吸烟检测，数据质量比模型结构重要得多，991 张图如果标注干净、场景覆盖全，yolov8n 足够用；如果标注混乱，换多大的模型都救不回来。希望帮到你。
本文还有配套的精品资源，点击获取
