从数据到部署：YOLO26吸烟行为检测系统实战（香烟/人/烟雾/电子烟/吸烟动作）（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

吸烟行为识别在公共安全、健康管理和禁烟区域监控中具有重要应用价值。本文基于YOLO26目标检测框架，构建了一个五类吸烟相关目标的检测系统，包括：香烟（Cigarette）、人（Person）、烟雾（Smoke）、电子烟（Vape）和吸烟动作（smoking）。数据集共包含12486张标注图像，其中训练集12046张，验证集318张，测试集122张。

关键词：YOLO26；吸烟检测；电子烟识别；烟雾检测；目标检测

引言

吸烟不仅是导致多种慢性疾病的主要风险因素，也是公共安全事故的重要诱因之一。在加油站、森林、工厂、学校、医院等禁烟场所，吸烟行为的及时发现与干预具有重要的社会和经济意义。传统的人工监控方式依赖于安保人员的实时观察，存在人力成本高、反应延迟、监控盲区等问题。随着计算机视觉和深度学习技术的发展，基于图像或视频的自动吸烟检测系统成为解决上述问题的有效手段。

近年来，YOLO系列模型因其检测速度快、精度高、易于部署等优点，在各类实时目标检测任务中得到了广泛应用。然而，吸烟行为检测具有其特殊的挑战性：首先，香烟和电子烟体积小、形态多样；其次，烟雾呈半透明、无固定形状，容易被背景干扰；第三，吸烟动作与人脸、手部动作高度耦合，容易产生特征混淆。

本文旨在基于YOLO26框架构建一个能够同时识别香烟、人、烟雾、电子烟和吸烟动作的综合吸烟识别系统。通过对12046张标注图像进行训练，并在独立验证集和测试集上进行评估，系统分析了模型在各类目标上的检测性能及其主要误差来源。本文的研究成果可为禁烟区域智能监控系统的开发提供技术参考。

目录

摘要

引言

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

吸烟检测的现实需求

计算机视觉在吸烟检测中的应用现状

数据集介绍

数据集概述

类别定义

训练结果

核心性能指标​编辑​编辑

曲线图解读

1. Precision-Confidence 曲线​编辑

2. Recall-Confidence 曲线​编辑

3. F1-Confidence 曲线​编辑

训练过程分析（results.png）​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

吸烟检测的现实需求

吸烟行为在全球范围内仍是可预防死亡的主要原因之一。据世界卫生组织统计，全球每年约有800万人因吸烟相关疾病死亡。此外，吸烟引发的火灾事故频发，特别是在加油站、化工厂、森林等高风险区域，一个未熄灭的烟头可能引发灾难性后果。因此，实现对禁烟区域的自动吸烟检测具有明确的应用价值。

传统吸烟检测手段包括：

• 人工巡查：效率低、成本高、无法24小时全覆盖。

• 烟雾传感器：响应慢、易误报、无法定位吸烟者。

• 红外热成像：设备昂贵，难以大规模部署。

相比之下，基于普通摄像头的视觉检测方案具有成本低、部署灵活、可回溯等优势，已成为当前研究和应用的热点方向。

计算机视觉在吸烟检测中的应用现状

早期吸烟检测方法多基于传统机器学习与手工特征（如HOG、LBP、SIFT），结合SVM或决策树进行分类。这类方法在简单背景下有一定效果，但难以应对光照变化、姿态变化、遮挡等复杂场景。

随着深度学习的发展，尤其是卷积神经网络在目标检测任务中的突破，吸烟检测进入了新的阶段。主要技术路线包括：

1. 两阶段检测器（如Faster R-CNN）：精度较高但速度较慢，适合离线分析。

2. 单阶段检测器（如YOLO、SSD）：速度快、适合实时监控。

3. 姿态估计方法：通过检测手部到嘴部的动作轨迹判断吸烟行为。

4. 多模态融合：结合可见光与热成像或深度信息。

其中，YOLO系列因其端到端的训练方式和优异的实时性能，成为吸烟检测系统中应用最广泛的模型之一。

数据集介绍

数据集概述

本研究所使用的数据集为自建的吸烟行为检测数据集，共计包含12486张标注图像，划分为训练集、验证集和测试集三个子集。

注：验证集和测试集的数量相对较小，可能影响性能评估的统计稳定性。建议后续工作中适当扩大验证和测试规模。

类别定义

数据集共包含5 个目标类别，符合nc: 5的配置要求，类别名称及映射如下：

训练结果

核心性能指标

表现较好的类别：吸烟、人、香烟
表现较差的类别：烟雾、电子烟

曲线图解读

1.Precision-Confidence 曲线

• 高置信度下精度接近 1.0

• 说明模型对高置信度预测较可靠

2.Recall-Confidence 曲线

• 平均召回率 0.73（@ confidence=0）

• 随置信度上升，召回率下降明显

模型在低置信度下能检出更多目标，但伴随更多误检。

3.F1-Confidence 曲线

• 最佳 F1 ≈ 0.65 @ 置信度 0.226

• 说明当前默认置信度可能不是最优

训练过程分析（results.png）

• 训练和验证损失持续下降，未出现过拟合

• 精度和召回率稳定上升

• mAP50 在 0.7 左右趋于平稳

训练收敛正常，无显著异常。

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频