企业官网建设流程全解析

简介：面向计算机视觉目标检测入门与实战人群，这份抽烟检测数据集采用YOLO标注格式，可直接用于模型训练与验证。数据按训练集与测试集划分：训练集627张图片及对应txt标签，测试集156张图片及对应txt标签，并附带检测类别字典文件。为便于预览，提供可视化Python脚本，随机传入一张图片即可自动绘制边界框并保存结果，无需修改即可运行。压缩包共1569个文件，包含783张jpg图片、784个txt数据文件（图片标签与类别字典）、1个py脚本和1个png示例图，整体约31.94MB，体积轻量，适合快速部署与实验。已有106人学习下载。这份数据集省去自行标注的繁琐流程，压缩包内文件组织清晰，标签与图片一一对应，可直接接入YOLO系列模型，有助于快速验证网络结构或开展抽烟检测相关课题研究。

1. 抽烟检测数据集：为什么YOLO格式的txt文件是主流

抽烟检测是目标检测在安防、生产安全、控烟管理中最常见的落地场景之一，任务本质是从监控画面或手持设备图像里定位出正在吸烟的人，或者直接框出烟支和烟头。早期这类数据集多以VOC或COCO格式发布，但你现在搜索“抽烟检测数据集”，大概率下载回来的是YOLO格式的txt文件——每一个jpg旁边带一个同名txt，里面是归一化后的目标框信息。原因很简单：YOLO系列算法在工程实践里已经成了事实标准，从v5到v8，训练入口都直接吃这种标注，转换成本最低。与此同时，YOLO标注对坐标做了归一化，所以同一份txt可以在不同分辨率下无缝复用，这一点让数据集的分发变得特别轻量。不聊算法本身，就围绕这份txt文件，把格式细节、制作流程、校验方法和训练前该注意的坑完整讲一遍，适合刚接触目标检测的工程师，也能给正在整理自定义数据集的熟手提供一些可参照的脚本。

2. 剖析YOLO标注txt：归一化坐标与类别编号的规则

2.1 一行标注在txt里到底存了什么

一个标准的YOLO标注txt文件，每一行代表一个目标对象，一行有五个数字，用空格分隔：

0 0.520833 0.625000 0.080000 0.150000

从左到右分别是：

• 0：类别ID，整数，从0开始。这个ID必须在训练配置里定义，例如data.yaml里的names列表。
• 0.520833：目标中心点的x坐标，是相对于图片宽度的比例。
• 0.625000：目标中心点的y坐标，相对于图片高度的比例。
• 0.080000：目标框的宽度，相对于图片宽度的比例。
• 0.150000：目标框的高度，相对于图片高度的比例。

注意，所有坐标都是浮点数，范围理论上在0到1之间，但由于标注工具或转换脚本的误差，偶尔会出现大于1或负数。训练本身能容忍一部分，但数据校验阶段最好把它们过滤掉。举一个实际例子：如果图片分辨率为1920×1080，目标框左上角为(960, 600)，右下角为(1113, 762)，那么中心点x等于(960+1113)/2=1036.5，除以1920得到0.5398；中心点y等于(600+762)/2=681，除以1080得到0.6306；宽度等于1113-960=153，除以1920得到0.0797；高度等于762-600=162，除以1080得到0.15。所以那一行是0 0.5398 0.6306 0.0797 0.1500。这个计算思路是理解一切转换脚本的基础。

2.2 从VOC和COCO标注转换到YOLO格式的通用代码

很多公开的抽烟检测数据集最初是VOC的XML格式，或者COCO的JSON格式。你需要把它们转成txt。下面这段Python脚本把VOC XML批量转换为YOLO txt，是常见的做法：

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_file, out_txt): tree = ET.parse(xml_file) root = tree.getroot() img_w = int(root.find('size/width').text) img_h = int(root.find('size/height').text) lines = [] for obj in root.findall('object'): cls_name = obj.find('name').text # 类别字符串转ID，这里省略映射表 cls_id = class_name_to_id[cls_name] bndbox = obj.find('bndbox') xmin = float(bndbox.find('xmin').text) ymin = float(bndbox.find('ymin').text) xmax = float(bndbox.find('xmax').text) ymax = float(bndbox.find('ymax').text) # 中心点坐标归一化 x_center = ((xmin + xmax) / 2) / img_w y_center = ((ymin + ymax) / 2) / img_h box_w = (xmax - xmin) / img_w box_h = (ymax - ymin) / img_h # 裁剪到0-1之间，防止越界 x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) box_w = min(max(box_w, 0.0), 1.0) box_h = min(max(box_h, 0.0), 1.0) lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}") with open(out_txt, 'w') as f: f.write('\n'.join(lines)) # 遍历目录 for xml in os.listdir('voc_annotations'): if xml.endswith('.xml'): voc_to_yolo(os.path.join('voc_annotations', xml), os.path.join('yolo_labels', xml.replace('.xml', '.txt')))

代码中用到了root.find('size/width')这类路径查找，直接取XML里的原始尺寸。注意，class_name_to_id需要根据你的类别列表定义，例如{'smoking': 0, 'cigarette': 1}。如果某个目标框面积太小，小于图片面积的0.06%，或者宽高小于1像素，通常建议直接跳过，因为这些框对训练没有帮助，还可能让模型对噪声产生过拟合。

2.2.1 数据集目录的结构约定

YOLO训练时要求图片和标注放在两个平行目录下，例如：

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

data.yaml里写明路径和类别名，训练时框架会自动寻找同名txt。目录结构错乱是新手最常见的失败原因，所以先确认目录再检查内容。

2.3 转换后最容易踩的三个坑

先看一个表格，整理了我自己处理数据集时最常遇到的三个问题：

最常见的错误发生在坐标计算上：VOC的坐标系是左上角为原点，x向右、y向下，而YOLO的归一化坐标系也是同样的方向，所以方向本身不需要翻转。但有一些人参照旧博客会做很多无关的变换，比如把y翻转成1-y，就会导致框跑到图片下方。正常转换不需要翻转。

提示：拿到任何数据集，第一件事是随机挑10个txt，对照对应图片人工画框检查，而不是直接开始训练。

3. 从零构建抽烟检测数据集：采集、清洗与标注实践

3.1 图像采集：场景决定数据集质量

自制抽烟检测数据的第一个步骤是确定场景。同一颗烟头，在办公室暖光下和室外逆光下的视觉特征差异非常大，所以你需要先想清楚模型最终用在哪里。如果用在工厂车间，采集时就要覆盖不同厂服、不同头盔、不同工位的画面；如果用在楼宇控烟，则要包含走廊、楼梯间、洗手间等背景。

常见做法是用摄像头连续抽帧，生成视频帧后再做相似度去重。下面这段脚本基于感知哈希对图像做近似去重，避免大量重复画面撑爆标注工作量：

import os import hashlib from PIL import Image def dhash(img, hash_size=8): gray = img.convert('L').resize((hash_size + 1, hash_size)) diff = [] for row in range(hash_size): for col in range(hash_size): left = gray.getpixel((col, row)) right = gray.getpixel((col + 1, row)) diff.append(left > right) return hashlib.md5(str(diff).encode()).hexdigest() seen = set() for fname in sorted(os.listdir('frames')): path = os.path.join('frames', fname) h = dhash(Image.open(path)) if h not in seen: seen.add(h) os.rename(path, os.path.join('deduped', fname))

这里使用了感知哈希，但相似画面对应的哈希值可能不完全一样，所以更严谨的做法是用汉明距离小于5来判断。上面的代码简化了去重逻辑，实际生产中建议用imagededup这类现成库，直接用CNN特征做相似度过滤。去重之后，需要人工剔除模糊、过曝、暗光下完全看不清目标的图像，宁可少也不能用脏数据。

3.2 标注工具与标注规范的制定

图像准备好之后，用LabelImg这类图形化工具打开，只需要把标注模式设为YOLO，保存时就会直接产生txt文件而不是XML。标注工具不是重点，重点是人人都遵守的规范。对于抽烟检测，常见的标注对象有两种：第一种框整个正在吸烟的人，含手和烟，适合做人员行为识别，模型学习的是人手持烟的状态；第二种只框香烟或烟头，适合做细节检测，难度更高，因为目标小。如果你的业务需要判断是否在抽烟，个人建议选择第一种，因为上下文信息更丰富，模型不容易被雪茄、电子烟这些相似物体带偏。但如果你还要做烟头遗留检测，那第二种也需要单独标注。一个折中方案是同时标注人和烟，用两个类别，让模型输出两个框，后处理再判断关联。

标注时要固定几条规则并写进团队文档：

• 遮挡超过50%的目标不标。
• 被身体完全挡住但烟头露出的，只标烟头。
• 图片中人小于24×24像素时不标，因为即使标了也很难学习到有效特征。

这些规则直接影响训练效果。不同人标注同一张图，框的位置偏差如果超过10个像素，模型学到的东西就会很拧巴。

3.3 划分训练集时的分类采样

数据划分不能简单用random函数，因为监控视频的连续帧高度相关，同一个人的不同帧算同一个场景深拷贝。如果随机混入train和val，验证集指标会虚高。正确做法是把同一个视频来源或同一场景的图片归为一个分组，按组划分。

这里给一个示例脚本，按文件名前缀分组划分：

import os import random from collections import defaultdict groups = defaultdict(list) for f in os.listdir('images'): prefix = f.split('_')[0] # 比如 camera1_0001.jpg -> camera1 groups[prefix].append(f) group_names = list(groups.keys()) random.shuffle(group_names) train_groups = group_names[:int(len(group_names) * 0.7)] val_groups = group_names[int(len(group_names) * 0.7):int(len(group_names) * 0.85)] test_groups = group_names[int(len(group_names) * 0.85):] train_files = [] for g in train_groups: train_files.extend(groups[g])

最终划分比例建议：训练集70%、验证集15%、测试集15%。测试集一定不能参与调参和早停，只用来做最终评估。标注时建议把不同场景分开存目录，方便后续做增量训练和错误分析。表格化一个划分记录：

对整个任务来说，标注数据是模型的上限，模型只是去逼近这个上限。所以花在规范制定上的时间，远比花在调参上的时间有价值。

4. 用脚本校验数据集：漏标、越界与类别不平衡的排查

4.1 图像与标注文件的一一对应检查

拿到或者构建好数据集后，第一步要做完整性检查。常见现象是图像存在但txt缺失，或者txt存在但图像被误删。下面脚本快速扫描出有图像无标注、有标注无图像的文件：

import os img_dir = 'images' label_dir = 'labels' img_names = set(os.path.splitext(f)[0] for f in os.listdir(img_dir) if f.endswith('.jpg')) label_names = set(os.path.splitext(f)[0] for f in os.listdir(label_dir) if f.endswith('.txt')) missing_label = img_names - label_names missing_image = label_names - img_names print('missing label:', len(missing_label)) print('missing image:', len(missing_image))

注意，YOLO训练时文件命名要求图片和txt同名，并且放在对应目录下，比如images/train/xxx.jpg和labels/train/xxx.txt。如果数据集来源混杂，还有可能大小写不一致，比如JPG与jpg。在Linux上，大小写敏感，必须先统一扩展名。

4.2 越界和目标尺寸异常的检测

YOLO标注坐标应该都在[0,1]范围内，但转换脚本或手动修正时会产生越界值。下面这段代码统计每张图中的越界框和异常尺寸：

import os labels_dir = 'labels' bad = [] too_small = [] for fn in os.listdir(labels_dir): path = os.path.join(labels_dir, fn) with open(path) as f: for line in f: parts = line.strip().split() if len(parts) != 5: bad.append((fn, 'format')) continue _, cx, cy, w, h = parts cx, cy, w, h = map(float, (cx, cy, w, h)) if not (0 <= cx <= 1 and 0 <= cy <= 1 and 0 <= w <= 1 and 0 <= h <= 1): bad.append((fn, 'out_of_range')) if w < 0.001 or h < 0.001: too_small.append((fn, w, h)) print('bad:', len(bad)) print('too small:', len(too_small))

这里的阈值0.001是经验值，对应一张1920×1080图片就是大约2×2像素，比这更小的框没有实际意义。批量打印这些异常文件后，需要回到标注工具里手动修正，而不是在脚本里强行裁剪掉。强行裁剪会把框变成图片边缘的残废框，同样影响训练。

4.3 类别不平衡的统计与处理思路

抽烟检测数据集的另一个典型问题是类别不平衡，比如正常行为的背景图数量远大于抽烟样本，或者标注了人的框比标注烟的框多出10倍。模型会倾向于把目标预测为数量多的类别，导致召回率偏低。

用下面的脚本统计每个类别出现的bbox数量：

import os from collections import Counter labels_dir = 'labels' class_counter = Counter() for fn in os.listdir(labels_dir): with open(os.path.join(labels_dir, fn)) as f: for line in f: parts = line.strip().split() if len(parts) != 5: continue cls_id = int(parts[0]) class_counter[cls_id] += 1 print(class_counter)

如果类别严重不平衡，优先考虑这几条路：

• 对样本量小的类别做更多的图像增强，尤其是水平翻转、小角度旋转、亮度变化。
• 在损失函数上加类别权重，简单做法是在YOLOv5的data.yaml里增加weight键，或者直接调整每一个类的损失系数。
• 采用过采样，让每次epoch里小类别样本被反复看到，同时配合多尺度训练避免过拟合。

4.4 可视化抽查：不要相信统计，要亲眼看

统计只能发现数值异常，无法发现框形状不对这类语义错误。所以必须写一个可视化脚本，把标注框画到原图上，按固定间隔抽取样本人工查看：

import cv2 img_path = 'images/train/cam1_0001.jpg' label_path = 'labels/train/cam1_0001.txt' img = cv2.imread(img_path) h, w = img.shape[:2] with open(label_path) as f: for line in f: cls_id, cx, cy, bw, bh = map(float, line.split()) x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite('check.jpg', img)

这段代码通过反归一化把txt坐标还原成像素坐标，然后画框。注意cv2.rectangle要求坐标是整数，且必须保证x2大于x1、y2大于y1。如果画出来的框明显偏离烟头或者包裹了半个场景，那就要回到标注阶段修正，而不是指望模型自己去学。

5. 针对抽烟检测的数据增强与模型调优技巧

5.1 数据增强参数怎么设

YOLOv8和YOLOv5都内置了增强策略，但针对抽烟检测，有几个参数值得手动调整：

用YOLOv8命令行训练，把这些参数直接传进去：

yolo train data=smoking.yaml model=yolov8n.pt epochs=100 imgsz=1280 patience=15 hsv_h=0.015 hsv_s=0.7 degrees=5 scale=0.5

其中imgsz=1280是关键。烟头在原始监控画面里往往只有几十像素，使用1280输入分辨率比默认640能显著提高小目标召回率，但训练时间也会更久。如果显存有限，可以改用yolov8s并开启rect=True减少无效填充。

5.2 用难例挖掘补充数据集

这是一个常被忽略的细节。训练第一版模型之后，把验证集上预测失败，包括漏检或误检的图像全部挑出来，人工标注后并入训练集，再训练第二轮。这种做法比一次性盲目扩充一万张随机图像高效得多，因为抽烟检测往往卡在特定姿势或光线上，难例挖掘是在用模型自己的弱点指导数据采集。

yolo detect predict model=runs/detect/train/weights/best.pt source=unlabeled_images save_txt=True

对预测结果做筛选，凡是标注文件为空但真实图像里有人物的，就该考虑是否为漏标。注意不要用模型预测结果直接作为标注，只能作为候选难例。

5.3 类别权重的设置方法

训练完第一轮后，用验证集看各类别的precision和recall。如果烟头类别recall明显低于人员类别，可以在训练配置里为烟头类别提高损失权重。YOLOv8的data.yaml里names列表的顺序必须和txt中的类别ID一致，同时可以通过model.loss模块修改权重，但更简单的做法是先增加该类样本的过采样倍数。权重数值不要超过2，否则会导致框位置偏移或重复检测。

最后补充一个通用技巧：把val和test数据按照不同时间段、不同摄像头分开，不要混在一个文件夹里。这样最终评估的mAP才是真实部署性能的近似。

本文还有配套的精品资源，点击获取