企业官网建设流程全解析

1. 项目概述

1.1 这个系统到底是什么，能干什么

吸烟识别检测系统，本质上是一个基于深度学习的目标检测应用。它做的事情很简单：给计算机一张图片或者一段视频流，它能用矩形框把画面里的香烟、打火机、吸烟动作等目标标出来，并给出置信度分数。如果再配上告警逻辑，就能在有人吸烟的瞬间触发提醒。

标题里的"YOLOv12"是这套系统的算法核心，属于当前目标检测领域迭代较快的一脉。YOLO系列从v5到v8，再到v11、v12，每一代都在精度和速度之间做平衡。v12作为较新版本，在特征提取网络和注意力机制上做了进一步改进，尤其适合对实时性有要求的检测场景。这个项目把YOLOv12的检测能力和一个完整的图形界面（UI）组合在一起，再加上登录注册模块，形成了一个"看起来像产品"的完整Demo，而不是一个只能在终端里跑的黑窗口程序。

说句实在话，这套组合在学术圈和工业界都很常见。很多高校的毕业设计、课程项目，甚至一些初创公司的产品原型，都是这个套路：前沿检测算法 + 自建数据集 + 可视化界面 + 用户系统。它解决的痛点很直接——算法再好，普通用户不会用命令行；界面再漂亮，没有算法支撑就是空壳。两者结合，才能让一个不懂深度学习的保安、宿管、或者车间安全员，也能直接上手操作。

1.2 适合谁看，你需要什么基础

这套项目适合三类人：

• 计算机视觉方向的学生，尤其是准备做毕业设计或者课程设计，需要一个完整项目来展示"从数据到部署"全流程能力的；
• 想快速落地一个检测原型的开发者，不想从零写网络结构、不想自己封装界面，希望站在YOLOv12和现成框架的肩膀上，把精力花在业务逻辑上；
• 对深度学习感兴趣但还没完整跑通过一个项目的入门者，通过这个项目可以打通"环境配置→数据集准备→模型训练→界面集成→打包发布"的完整链路，这个链路本身比任何一个单独环节都更有价值。

基础要求不高：会一点Python，知道pip怎么装包，能看懂基本的类和方法调用就够了。神经网络内部的数学原理、梯度反传这些，暂时不懂不影响你把项目跑起来。但如果你后面想调优、想发论文、想真正理解为什么这个参数要这么设，那还是得回头补一补深度学习的理论基础。简单说：先跑通，再理解，最后优化，这个顺序最务实。

2. 整体设计与技术选型思路

2.1 为什么要选YOLOv12而不是v8、v5

这是个绕不开的问题。现在网上目标检测的教程一抓一大把，大多数还在用YOLOv5和YOLOv8，突然出现一个v12，很多人第一反应是"又是换皮吧？"。坦白讲，YOLO系列的版本号确实有营销成分，但v12在结构上还是有实打实的变化。

从公开资料和实测体验来看，YOLOv12在骨干网络上引入了更高效的注意力机制，替换了部分传统的卷积模块，在保证检测精度的同时，推理速度进一步提升。什么意思呢？就是同样一张图，v12能在更短的时间内给出检测结果，或者在同样的时间预算下，检测得更准。对于吸烟识别这种场景——摄像头画面通常是实时的，一秒需要处理十几甚至几十帧——速度就是生命线。

另外，v12延续了YOLO系列"开箱即用"的传统。数据集格式依然是YOLO格式的txt标签，训练脚本依然是通过ultralytics风格的命令来跑，这对从旧版本迁移过来的开发者非常友好。我一个朋友从v8切到v12，只改了一行模型名称的代码，其他全部复用，当天就把训练跑起来了。这种平滑迁移的能力，是YOLO系列生态最值钱的地方。

当然，选型不是越新越好。如果你追求极致稳定，项目要上生产环境、要长期维护，那v8反而可能是更稳妥的选择，因为社区资料多、踩坑记录丰富。但如果这是新项目、是毕设、是技术预研，选v12能让你站在更新的技术基线上，写报告和论文时也更有话说。

2.2 系统模块怎么划分，每个模块的职责边界

一个完整的吸烟识别系统，功能上可以拆成五个模块，边界清晰、各干各的，这样无论是自己开发还是团队协作，都不会乱：

• 检测引擎模块：加载YOLOv12模型权重，接收图像输入，输出检测结果（类别、坐标、置信度）。这个模块是核心，但也是最"黑盒"的部分——你不需要关心它内部每一层卷积在算什么，只要保证调用接口稳定即可。
• 数据管理模块：负责数据集的整理、标注文件的解析、训练集验证集划分。这个模块在训练阶段用得多，在推理阶段其实可以不用加载。
• 用户认证模块：登录、注册、密码加密存储、会话管理。虽然对于本地Demo来说有点"杀鸡用牛刀"，但加上它之后，整个项目的完整度会提升一个档次，也方便以后扩展成Web服务或C/S架构。
• 界面展示模块：摄像头画面/图片展示、检测框叠加、置信度显示、检测结果统计、历史记录查看。
• 业务逻辑模块：一些规则性的东西，比如连续N帧检测到吸烟才触发告警、检测到吸烟时抓图保存、告警声音播放等。这些逻辑看起来不起眼，恰恰是项目"能用"和"好用"之间的差距。

这种模块化设计的核心思想是解耦。检测引擎只负责检测，不管界面怎么画框；界面只管展示，不关心模型内部结构。以后你想把检测引擎换成YOLOv13，只要接口不变，其他模块一行代码都不用动。同样，你想把桌面界面换成Web界面，也只需要重写界面模块，检测引擎和数据接口完全可以复用。

3. YOLOv12核心细节解析与实操要点

3.1 YOLO系列的演进逻辑，v12到底改了什么

理解YOLOv12之前，得先理解YOLO系列一路走来的两条主线：更高效的特征提取和更精准的目标定位。

初代YOLO把目标检测当成回归问题，一次前向传播直接预测边框和类别，速度快但精度一般。后面的v2、v3引入了anchor box（预设框）和多尺度预测，让模型对不同大小的目标更敏感。v5引入了自适应锚框计算和Mosaic数据增强，训练效果大幅提升。v8则彻底转向anchor-free（无锚框），不再依赖预设框，直接预测目标中心点和宽高，简化了后处理流程。

v12的核心改进集中在注意力机制的引入与优化上。注意力机制的原理可以这样理解：人眼看一张图时，其实不是均匀扫描每个像素，而是先扫一眼全局，然后把注意力集中在感兴趣的区域。v12在网络中加入了类似的自适应加权机制，让模型在特征提取时自动"更关心"那些信息量大的区域。对于吸烟检测来说，这个特性尤其有用——画面里可能有桌椅、窗户、人，但真正需要关注的只有嘴边的烟头和手上的烟雾，注意力机制能帮模型更快锁定这些区域。

这种改进带来了两个实际好处：一是小目标检测能力提升，香烟在监控画面里往往只占几十个像素，非常考验模型的细粒度特征提取能力；二是推理速度更快，因为注意力机制可以在一定程度上减少不必要的计算量。

3.2 输入输出格式与推理流程拆解

对于使用YOLOv12的人来说，最关心的还是它的输入输出长什么样。这里我拆开讲一下。

输入格式：模型接受的输入是经过归一化和Resize处理的图像。训练时通常设定为640x640，也可以根据实际场景设为416或320。为什么是640？因为YOLO系列的多尺度预测设计是围绕固定网格来做的，640在检测精度和计算量之间取得了一个平衡点。输入图像会先被等比缩放再填充到640x640，这样可以避免拉伸变形导致的目标形变。

输出格式：推理时，模型的原始输出是一个比较大的张量，包含预测框的数量、每个框的坐标（中心点x、y，宽度w，高度h）、置信度和类别概率。注意，这些坐标是归一化后的，取值范围在0到1之间，需要乘回原图的宽高才能得到真实的像素坐标。后处理的流程通常是：

1. 根据置信度阈值（一般是0.25或0.3）过滤掉低置信度的框；
2. 使用NMS（非极大值抑制）去掉重叠严重的冗余框；
3. 把保留下来的框坐标映射回原图尺寸，并生成类别标签和置信度文本。

这一整个后处理过程，在ultralytics框架里已经封装好了。你调用model.predict()的时候，传入原始图像，拿到的是一个包含boxes、names、probs等属性的结果对象，底层细节已被隐藏。但强烈建议新手还是手动实现一遍NMS的逻辑——哪怕只是用简单的循环实现——因为后处理是检测系统中被"黑盒化"最严重、却最容易出问题的一环。

3.3 实操代码：YOLOv12推理的标准写法

下面给出一段可以直接运行的推理代码，我用的是ultralytics风格的API（v12同样沿用了这个接口）：

from ultralytics import YOLO # 加载训练好的模型权重 model = YOLO("best.pt") # 方式一：对单张图片进行检测 results = model.predict( source="test.jpg", conf=0.3, # 置信度阈值 iou=0.5, # NMS的IoU阈值 save=True, # 保存标注后的图片 imgsz=640 # 推理分辨率 ) # 方式二：对摄像头视频流进行检测 cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break results = model.predict(frame, conf=0.3, imgsz=640) annotated_frame = results[0].plot() # 绘制检测结果 cv2.imshow("YOLOv12 Smoking Detection", annotated_frame) if cv2.waitKey(1) & 0xFF == ord("q"): break

这里有三个参数值得单独说明。conf是置信度阈值，设低了会看到大量误检框，设高了会漏检。iou是NMS的合并阈值，用于决定两个重叠框是否属于同一个目标，设太大会把相邻目标合并掉，设太小会保留大量重复框。imgsz是推理分辨率，越大越准但越慢，实际部署中可以按帧率需求动态调整。

注意：如果你加载权重后报错"模型文件不匹配"，多半是训练时的类别数量和你推理时的模型结构不一致。重新用正确类别的配置文件导出模型即可。

4. 数据集准备与标注实操

4.1 吸烟检测数据集从哪里来，"自建+开源"两手抓

数据集是检测系统的"食材"，模型效果的上限取决于数据集质量。这一点，做检测的人都有共识：同样的算法，换一套更贴合场景的数据，效果可能天差地别。

吸烟检测的数据集，目前公开的并不算多。常见来源有几个：

• Roboflow Universe：上面有现成的"smoking detection"数据集，下载即可转成YOLO格式；
• Kaggle：有一些社区上传的吸烟图像集，质量参差不齐，需要自己清洗；
• 自建数据集：用手机或摄像头在真实场景（办公室、走廊、宿舍、车间）采集视频，抽帧成图片，再用LabelImg或X-AnyLabeling标注。

我的建议是不要只用现成数据集。公开数据集里大多是"摆拍"式的图像，背景干净、光线正常、香烟明显，但真实场景往往有逆光、遮挡、距离远、画面模糊等问题。只在这些数据上训练的模型，换到实际场景基本会"翻车"。正确的做法是：以公开数据为基础，补充至少几百张自己场景下的图片，让模型见过"你的世界"。

4.2 YOLO标注格式详解，一个txt文件搞定

YOLO格式的标注不复杂，每个图片对应一个同名txt文件，每行表示一个目标，格式是：

class_id x_center y_center width height

注意，这四个坐标值都是相对于图片宽度和高度的归一化值，范围是0到1。比如一张1600x1200的图片里，有一个目标，中心点在(800, 600)，宽度是200，高度是100，归一化后就是：

0 0.5 0.5 0.125 0.083

其中0是类别编号，0.5=800/1600，0.5=600/1200，0.125=200/1600，0.083=100/1200。

为什么用归一化坐标？因为训练时模型会把图片缩放到固定尺寸，如果标注用的是绝对像素值，缩放后标注就错位了。归一化坐标与图片尺寸无关，无论模型把图缩放到640还是320，比例关系都不变。

标注工具方面，我推荐LabelImg（轻量、yolo模式直接保存）或X-AnyLabeling（功能更强、支持自动标注辅助）。用LabelImg时记得在"PascalVOC"和"YOLO"之间切换格式时，看准当前保存格式，我见过不少人在两种格式上栽跟头，标签文件内容对不上。

4.3 标注时的"坑"：类别定义、边界框、难例筛选

标注是个体力活，但不是机械活。有几点经验值得记下：

• 类别不要贪多。常见做法是两类："smoking"和"cigarette"。但要注意，在监控画面上，距离较远时香烟本身很难看清，更多是靠捕捉"手持烟放嘴边"的动作特征来识别。所以有些项目只定义"smoking"一个类别，把整只手加上香烟作为一个整体框起来。这个方案在实际场景中更鲁棒。
• 边界框要紧贴目标。标签框尽量贴合目标的轮廓，不要把背景大片包进去。背景包多了，模型会学到"这个区域的背景也能算目标"，导致误检率升高。
• 负样本必须有。很多人标注时只标正样本（有烟的图片），训练出来的模型容易把所有手部动作都识别成吸烟。必须加入一批"没有吸烟但有类似动作"的负样本图片（比如摸嘴、拿笔、比划手势），告诉模型"这些不是烟"。这一点极其重要，直接决定了误检率。
• 遮挡问题：如果目标大部分被遮挡，宁可标一个部分框也不要跳过，这能帮助模型在遮挡条件下依然产生响应。

4.4 数据增强要不要开，参数怎么设

在ultralytics框架中，默认会启用Mosaic（拼接四张图）、随机翻转、色彩调整等一系列数据增强策略。这些增强能大幅增加样本多样性，对小数据集尤其重要。

但有一个坑：Mosaic的数据分布和真实场景有差异，模型在前期学到的是"四张图拼一起"的特征模式，如果在训练最后阶段仍然开启Mosaic，会导致模型在正常尺寸的图上表现不佳。ultralytics提供了close_mosaic=10参数，意思是在最后10个轮次关闭Mosaic增强，让模型在接近真实数据分布上"收尾"微调。这个参数默认就有，但很多人在自定义训练时把它设成0，导致最终精度下降，我建议一定保留。

5. 模型训练全流程实操

5.1 训练环境配置与硬件要求

先聊环境。YOLOv12基于PyTorch实现，所以你需要：

# 创建虚拟环境（推荐Python 3.8-3.10） conda create -n yolo python=3.10 conda activate yolo # 安装PyTorch（根据自己的CUDA版本选择命令） pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装ultralytics包 pip install ultralytics

硬件方面，如果只是为了把项目跑通，用CPU也能训练，但速度会让人崩溃。举例来说，一个几百张图片的小数据集，在CPU上可能需要几个小时一个轮次，而一张中端显卡（比如RTX 3060）可能只需要几分钟。训练建议至少一块显存大于6GB的NVIDIA显卡，否则只能选择最小的yolov12n模型，或者把imgsz降到416。

如果只有CPU，也不是不能做毕设。你可以用Google Colab，免费额度够跑一个小模型。但要注意上传数据、保存权重这些都是在云端，本地和云端来回同步容易出错，我建议写一个脚本统一管理文件路径。

5.2 数据集配置文件怎么写

训练之前要准备好数据配置yaml文件，告诉模型去哪里找图片和标签。一个标准的data.yaml长这样：

path: /path/to/smoke_dataset # 数据集根目录 train: images/train # 训练集图片目录 val: images/val # 验证集图片目录 test: images/test # 测试集图片目录（可选） nc: 1 # 类别数量（这里设为1类：smoking） names: ["smoking"] # 类别名称列表

注意几点：train和val路径如果以/开头，直接相对于根目录解析；如果不以/开头，会被当作相对于path的路径。nc和names必须和标注时的类别一致，这个不一致会导致训练报错，或者更糟糕——训练能跑但检测结果完全错乱。

数据集目录布局要整齐，虽然ultralytics会自动处理一部分，但我建议按下面的结构组织：

smoke_dataset/ ├── images/ │ ├── train/ │ │ ├── img_001.jpg │ │ ├── img_002.jpg │ │ └── ... │ ├── val/ │ │ └── ... │ └── test/ │ └── ... ├── labels/ │ ├── train/ │ │ ├── img_001.txt │ │ ├── img_002.txt │ │ └── ... │ ├── val/ │ │ └── ... │ └── test/ │ └── ... ├── data.yaml

注意图片文件和标签文件名字要一致（后缀不同），且放在对应的train/val/test目录下。

5.3 训练命令与关键参数调整

在ultralytics框架下，训练命令非常简洁：

yolo train data=data.yaml model=yolov12n.pt epochs=100 imgsz=640 batch=16 device=0

如果你想用自己的模型配置文件从头训练，把model=yolov12n.pt换成model=yolov12n.yaml即可，但需要先从零开始预训练，收敛更慢，数据量不够的话效果反而不如微调。所以我的建议是优先用预训练权重微调，除非你有强烈的自定义网络结构需求。

这几个参数我展开说说：

• epochs：训练轮数。小数据集50~100轮足以；数据量大且复杂时可以加到200~300轮。关键是看验证集的指标变化——如果验证集mAP连续多轮不再上升，就可以停了。
• batch：每批样本数。这个受显存限制，显存不够就调小，但尽量用2的幂数（8、16、32）。batch太小的话，每个batch的样本代表性差，梯度更新方向不稳定。
• imgsz：训练分辨率。越大越准，但同样的batch下越吃显存。一般设640即可。
• device：0表示第一块GPU，cpu表示用CPU跑，多卡可以写0,1,2,3。

训练过程中的输出信息，重点看几样东西：train/box_loss、train/cls_loss这两个损失值应该持续下降并趋于稳定；metrics/precision(B)、metrics/recall(B)、metrics/mAP50(B)、metrics/mAP50-95(B)这几个指标会逐渐上升。如果损失下降但指标不升，说明可能过拟合了；如果两者都在震荡，那可能是学习率太高或数据有问题。

5.4 训练中断怎么办：断点续训

训练到一半断电、显存爆了导致中断，这种事太常见了。ultralytics支持断点续训，命令很简单：

yolo train resume=True

它会自动去找runs/detect/train目录下最近的last.pt权重文件，从中断的地方继续训练。如果你手动改过模型配置，续训时可能会出问题，最安全的做法是不要改模型文件，直接续训。

如果你中途调整了数据集或者标注，千万别续训，必须重新从头训练。因为模型的判断依据已经变了，继续学习旧经验只会更乱。

5.5 训练完成后的模型评估与选择

训练结束后，在runs/detect/train目录下会看到：

• best.pt：验证集上指标最优的权重，以后部署就用这个；
• last.pt：最后一轮的权重，一般不用；
• results.png：训练过程的可视化曲线；
• confusion_matrix.png：混淆矩阵，可以看出哪些类别之间容易混淆；
• val_batch0_pred.jpg：验证集预测效果示例图，肉眼扫一遍就能看出模型大概水平。

评估模型时，不要只盯着mAP看。亲自拿几张训练外的真实图片去测，看看预测结果：漏检多不多？误检多不多？边界框贴合度怎么样？置信度分布是否合理？模型效果最终是服务于业务的，指标只是参考。

6. UI界面与登录注册模块集成

6.1 UI选型：PyQt5还是Tkinter，为什么

完整项目的UI界面，标题里写的是"UI界面+登录注册界面"。这里需要做一个技术选型，多半用的是PyQt5或PySide6，也有用Tkinter的。

我的观点很明确：做这种带登录、带实时画面展示的应用，PyQt5更合适。理由有三点：

1. 控件丰富：登录界面需要输入框、按钮、标签；检测界面需要图片显示区、视频流显示区、结果表格、状态栏。PyQt5的QWidget体系天然支持这些组合，Tkinter也能做，但要实现同样效果，代码量会多不少。
2. 样式定制能力强：可以通过QSS（类似CSS）来美化界面，登录注册界面可以做得像模像样，这东西在毕设答辩演示时加分很多。
3. 和OpenCV配合方便：OpenCV的图像格式是BGR的numpy数组，PyQt5显示图片需要转成RGB并转为QImage，这个过程有现成的封装套路。

当然Tkinter也有优势：Python自带、环境依赖少、打包后体积小。如果你不想因为PyQt5的授权条款操心（GPL协议），那PySide6（LGPL）是更稳妥的选择，API和PyQt5几乎一致。

6.2 登录注册界面的实现思路与密码存储

登录注册功能的核心不是界面，是密码存储和校验。明文存密码是最low的做法，稍微正规一点的项目都会做哈希加密。

Python内置的hashlib库就够用了，我建议加盐（salt）存储：

import hashlib import os def hash_password(password: str, salt: str = None): if salt is None: salt = os.urandom(16).hex() digest = hashlib.sha256((salt + password).encode()).hexdigest() return f"{salt}${digest}" def verify_password(password: str, stored: str) -> bool: salt, digest = stored.split("$") return hash_password(password, salt) == stored

用户数据存哪里？本地项目用SQLite就够了，不需要装MySQL。Python标准库自带的sqlite3可以创建一个用户表：

import sqlite3 conn = sqlite3.connect("user.db") conn.execute(""" CREATE TABLE IF NOT EXISTS users ( id INTEGER PRIMARY KEY AUTOINCREMENT, username TEXT UNIQUE NOT NULL, password TEXT NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ) """)

注册流程：用户名查重→密码哈希→插入数据库。登录流程：根据用户名查记录→校验密码→成功则跳转主界面，失败则提示。

6.3 检测结果如何实时在界面上展示

在PyQt5中显示检测结果，核心思路是用一个QLabel作为画面容器，循环读取视频帧、推理、绘制检测框、转换成QImage并显示。伪代码如下：

import cv2 import sys from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtCore import QTimer from PyQt5.QtWidgets import QApplication, QLabel, QVBoxLayout, QWidget from ultralytics import YOLO class DetectionWindow(QWidget): def __init__(self): super().__init__() self.model = YOLO("best.pt") self.label = QLabel(self) self.layout = QVBoxLayout(self) self.layout.addWidget(self.label) self.cap = cv2.VideoCapture(0) self.timer = QTimer(self) self.timer.timeout.connect(self.update_frame) self.timer.start(30) # 约每秒33帧 def update_frame(self): ret, frame = self.cap.read() if not ret: return results = self.model.predict(frame, conf=0.3, verbose=False) annotated = results[0].plot() rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape qimg = QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg))

几个细节要注意：

• QImage的构造参数里有个bytesPerLine，如果不传或者传错，图片会显示成扭曲的色块。这里填ch * w是正确的，因为是连续的RGB数据。
• cv2.cvtColor不能省，OpenCV默认是BGR通道顺序，而Qt显示用的是RGB，顺序反了的话，图片里蓝色物体会变成红色。
• results[0].plot()返回的是画好框的图像，但这个图像是RGB格式的，传给cv2.cvtColor时记得用COLOR_BGR2RGB还是COLOR_RGB2BGR要想清楚，方向上容易搞混。实测中，plot()出来的是RGB顺序，直接转成QImage即可，不需要再经过OpenCV的cvtColor。

6.4 线程问题：为什么UI会卡顿，怎么解决

在界面里跑深度学习推理，最大问题就是卡顿。原因很简单：模型推理是个计算密集操作，如果放在UI线程里执行，模型推理期间界面会完全冻结，表现为画面一卡一卡、按钮无响应、拖拽窗口卡死。

解决方案是使用多线程：工作线程专门跑推理，主线程负责刷新界面。PyQt5中可以把推理放到QThread里，通过信号槽把检测结果传回主线程：

class InferenceThread(QThread): result_ready = pyqtSignal(object) def __init__(self, model_path): super().__init__() self.model = YOLO(model_path) self.running = True def run(self): while self.running: # 从队列获取最新帧，推理，发信号 frame = get_latest_frame() results = self.model.predict(frame, verbose=False) self.result_ready.emit(results[0].plot()) def stop(self): self.running = False

界面上只做一件事：收到result_ready信号之后，把图片刷到QLabel上。这样即使推理需要几百毫秒，界面也依然保持流畅，只是画面帧率会下降，但不会卡死。

7. 常见问题与排查技巧实录

7.1 常见报错速查表

训练和部署过程中会碰到一堆报错，这里把最典型的几个列出来：

7.2 调试技巧：如何快速定位"检测不准"的问题

检测不准很常见，但先别急着调参数。我习惯按下面的顺序排查：

1. 看测试图片：把标注错误和漏检的图片输出出来，把预测框和标注框同时画上去。如果预测框和标注框的差异是系统性的（比如总是偏左偏上），我首先会怀疑数据标注的整体偏差——批量复查标注；
2. 看混淆矩阵：哪个类别之间容易混淆，就说明该类别样本特征不够区分，需要补充更典型的样本，或者考虑合并类别；
3. 看置信度阈值：调低conf会看到更多误检，调高会漏检。0.25~0.35是个常用的区间范围，但具体多少要对照业务需求来定；
4. 试不同的模型尺寸：如果nano模型效果差，先换small或medium再对比。不要一上来就用最大的模型，调试成本太高。

7.3 部署时的性能优化技巧

实际部署时，有几个能立竿见影提升性能的措施：

• 模型导出为TensorRT格式：如果用的是NVIDIA显卡，把.pt权重导出为engine格式，推理速度可以提升2~4倍。这尤其适合帧率要求高、卡资源充足的场景。
• 控制推理分辨率：如果场景固定（比如固定角度摄像头），不必每帧都用640分辨率。先用小分辨率跑出检测框，再把框映射到原图上，在框内做二次精细检测，这种方式能大幅降低计算量。
• 降低画质损耗：监控画面通常会经过压缩传输，画质损失会直接削弱小目标检测效果。如果条件允许，在源头提高码率或者在摄像头端拉高分辨率，往往比换更好的模型更有效。
• 减少不必要的预处理：不要每帧都做复杂的图像增强，推理阶段用原图即可。主流的图像增强是训练时的策略，推理时加上只会拖慢速度，不会明显提升精度。

8. 实操总结

做这个项目，我个人最大的体会是："检测准"只是及格线，"好用"才是真正的目标。

在实际操作中，我有几个深刻感受。首当其冲的是数据集比算法重要。刚开始我用的全是公开数据集，模型在demo视频上表现看着不错，一到真实走廊摄像头画面就各种误检漏检。后来花了两个晚上自己拍了几百张现场图，重新标注、重新训练，效果立刻上了一个档次。任何检测项目，如果精度不达标，先把80%的精力放在数据上，而不是调参上。

还有一个小技巧：别一上来就用最大的模型。有人觉得模型越大越准，但实际项目里，nano和small的差距往往没有想象中那么大，而速度差距却非常明显。先用nano跑通全流程，把这个链路跑顺了，再根据算力余量考虑升级模型尺寸。否则在调试过程中每跑一次训练都要半天，会极大地消耗耐心。

最后多说一句系统架构的事。这个项目虽然是一个"检测系统"，但它的灵魂其实是流程完整：从数据标注到模型训练，从模型推理到界面展示，从登录注册到告警逻辑。把它当作一个完整的软件工程来对待，认真划分模块、管理依赖、处理边界情况，你在项目里练出的能力，比"跑通一个YOLO"值钱得多。

如果后续想扩展，可以从三个方向着手：一是把桌面界面换成Web界面，做成前后端分离的架构，方便多端访问；二是接入多种告警通道（微信通知、邮件、短信）；三是做多场景迁移，把训练好的模型迁移到不同的摄像头角度和环境，通过微调快速适配。这套YOLOv12的基础，其实就是你后续做任何目标检测项目的底子。