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
详细功能展示视频
https://www.bilibili.com/video/BV1S6ohBCE7Q/
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
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
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：
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。
单阶段检测器（如YOLO、SSD）：速度快、适合实时监控。
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。
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。
| 训练集 | 12046 | 模型参数学习 |
| 验证集 | 318 | 超参数调优与模型选择 |
| 测试集 | 122 | 最终性能评估 |
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：
| 0 | Cigarette | 香烟 | 传统点燃式烟草制品 |
| 1 | Person | 人 | 吸烟者或潜在吸烟者 |
| 2 | Smoke | 烟雾 | 吸烟产生的可见烟雾 |
| 3 | Vape | 电子烟 | 电子雾化设备 |
| 4 | smoking | 吸烟动作 | 吸烟行为（手持香烟/电子烟靠近嘴部） |
训练结果
核心性能指标
| 香烟 | 0.818 | 0.846 | 0.829 | 0.481 | 250 |
| 人 | 0.931 | 0.891 | 0.936 | 0.764 | 257 |
| 烟雾 | – | – | 0.615 | 0.285 | – |
| 电子烟 | 0.85 | 1.0 | 0.615 | 0.285 | 34 |
| 吸烟 | 0.887 | 0.906 | 0.945 | 0.641 | 64 |
| 平均 | 0.897 | 0.629 | 0.695 | 0.437 | 611 |
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：
