1. 吸烟检测数据集的核心价值与应用场景
在公共健康监测和智能安防领域,自动识别吸烟行为的技术需求日益增长。这个包含1.4万张标注图像的数据集,针对实际场景中的吸烟人脸检测任务进行了专项优化。数据集按照6:2:2的比例划分训练集、验证集和测试集,这种分配方式既保证了模型有足够的训练样本,又能有效评估泛化性能。
数据集最显著的特点是包含多种吸烟场景:
- 室内外不同光照条件下的吸烟动作
- 不同角度(正面、侧面)的持烟姿态
- 各种遮挡情况(如手部遮挡、烟雾干扰)
- 不同人种、年龄段的吸烟者样本
提示:数据集中特别包含了"疑似吸烟"的边界案例,这类样本对提升模型在实际场景中的判别准确率至关重要。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集构建的技术细节
2.1 数据采集与清洗流程
原始数据来源于公开监控视频和授权拍摄场景,经过以下处理流程:
- 视频抽帧:按1帧/秒抽取关键帧,确保动作连续性
- 人脸检测:使用MTCNN进行初步人脸定位
- 人工复核:标注团队对每张图像进行三级质量审核
- 数据增强:对样本不足的场景应用旋转、亮度调节等增强手段
2.2 标注规范与质量控制
采用YOLO格式的标注标准,包含以下标签类别:
code复制class_id center_x center_y width height
标注过程中特别注意:
- 香烟与面部的相对位置关系
- 部分遮挡情况的标注完整性
- 烟雾可见度阈值设定
标注一致性通过多人交叉验证保证,最终Krippendorff's alpha系数达到0.85以上。
3. 预训练模型性能对比
3.1 YOLOv8模型配置
提供的预训练模型采用以下优化配置:
yaml复制# yolov8-smoke.yaml
nc: 1 # 吸烟/非吸烟二分类
depth_multiple: 0.33
width_multiple: 0.25
anchors: 3
模型在测试集上的表现:
| 指标 | YOLOv8-n | YOLOv8-s | YOLOv11 |
|---|---|---|---|
| mAP@0.5 | 0.872 | 0.891 | 0.885 |
