基于YOLOv11的吸烟行为识别系统开发与实践

1. 项目背景与核心价值

在公共场所禁烟管理、安全生产监控等场景中，传统人工巡查方式存在效率低、漏检率高的问题。我们团队基于最新发布的YOLOv11算法，开发了一套端到端的吸烟行为识别系统。这个方案在测试集上达到了96.3%的mAP，比上一代YOLOv8提升7.2个百分点，同时通过PyQt5构建了完整的用户交互界面。

关键突破：针对吸烟场景特有的烟雾形态、手持动作等特征，我们改进了YOLOv11的注意力机制模块，使小目标检测精度提升明显。

2. 系统架构设计

2.1 技术选型对比

选择YOLOv11的核心考量：

1. 实时性要求：需在1080P视频流中达到30FPS以上处理速度
2. 部署成本：轻量化模型更适合边缘设备部署
3. 最新算法优势：YOLOv11的Efficient-EMA注意力机制对烟雾这类半透明物体识别效果显著

2.2 系统组件关系

python复制class SmokingDetector:
    def __init__(self):
        self.model = YOLOv11(weights='smoke_v11.pt') 
        self.tracker = ByteTrack()  # 目标跟踪
        self.alarm = SoundAlert()   # 报警模块
        
    def process_frame(self, img):
        detections = self.model(img)  # [x1,y1,x2,y2,conf,cls]
        tracks = self.tracker.u