吸烟检测数据集与YOLO模型优化实战

1. 项目概述：吸烟人脸检测数据集与应用场景

这个1.4万张图像的数据集专为吸烟行为检测设计，已经按科学比例划分好训练集、验证集和测试集，并附带训练完成的YOLOv8和YOLOv11模型权重。在实际安防和公共卫生领域，这类数据集能有效解决监控场景下的违规吸烟识别难题——比如在加油站、医院禁烟区或学校周边，传统人工巡查效率低下且存在盲区。

我处理过多个类似项目，发现吸烟检测的难点在于：1) 吸烟动作的短暂性（香烟举起和放下的过程可能只有几帧）2) 遮挡问题（手部经常遮挡嘴部区域）3) 光照变化（夜间监控画面质量差）。这个数据集特别标注了香烟与面部的位置关系，比普通的人脸检测数据集更适合实际部署。

提示：数据集中的"吸烟"标签不仅包含香烟可见的情况，还包括典型的吸烟手势（如手靠近嘴部的持烟姿势），这对提高模型泛化能力至关重要。

2. 数据集构建核心技术解析

2.1 数据采集与清洗策略

原始数据主要来自三个渠道：公开监控视频截图（占比40%）、电影电视剧片段截取（30%）、模拟拍摄（30%）。这种混合来源保证了场景多样性——包含室内外、白天夜晚、不同人种和年龄段的吸烟场景。我们在清洗阶段特别注意了：

1. 剔除模糊帧：使用Laplacian方差检测（阈值设为100），自动过滤掉分辨率低于640×480或焦点模糊的图像
2. 平衡正负样本：最终数据集中吸烟/非吸烟样本比例为1:1.2，避免模型偏向多数类
3. 人脸尺寸标准化：确保所有标注人脸区域宽度至少占图像宽度的15%

python复制# 示例：OpenCV模糊检测代码
def is_blur(image, threshold=100):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    fm = cv2.Laplacian(gray, cv2.VAR).var()
    return fm < threshold

2.2 标注规范与质量控制

采用专业的LabelImg工具进行标注，每个吸烟样本包含两个矩形框：

• 人脸框（face）：覆盖发际线到下巴的完整面部
• 香烟框（cigarette）：包含香烟本体及烟雾区域（如有）

标注团队经过三轮交叉验证，最终mAP@0.5达到0.92。特别值得注