基于YOLOv5的实时抽烟检测系统设计与部署-尧图网络科技

1. 项目背景与核心价值

抽烟行为检测在公共场所管理、安全生产监控等领域具有重要应用价值。传统的人工监控方式效率低下且成本高昂，而基于深度学习的自动化检测方案能够实现7×24小时不间断工作。YOLO（You Only Look Once）作为当前最先进的实时目标检测算法之一，其检测速度和精度平衡的特性非常适合这类应用场景。

这个毕业设计项目的开源意义在于：

为相关领域研究者提供可直接复现的基准模型
降低中小企业部署智能监控系统的技术门槛
促进计算机视觉技术在公共安全领域的应用创新

我在实际测试中发现，基于YOLOv5s的抽烟检测模型在NVIDIA Jetson Nano边缘设备上能达到22FPS的推理速度，完全满足实时监控需求。下面将详细解析整个项目的技术实现方案。

2. 技术方案设计

2.1 算法选型分析

为什么选择YOLO而不是其他目标检测算法？主要基于三点考量：

速度优势：相比Faster R-CNN等两阶段检测器，YOLO的单阶段检测架构省去了区域提议步骤。实测在相同硬件条件下，YOLOv5比Faster R-CNN快3-5倍。
精度平衡：最新YOLOv8的mAP(0.5)可达85%以上，而模型体积仅十几MB。下表对比了常见算法的性能表现：

算法	输入尺寸	mAP@0.5	参数量	FPS(T4)
YOLOv8n	640×640	82.3%	3.2M	450
YOLOv5s	640×640	78.9%	7.2M	280
Faster R-CNN	800×600	83.1%	41.5M	32

部署友好：YOLO系列提供完善的TensorRT、ONNX等格式支持，便于在各类边缘设备部署。我曾成功将模型部署到树莓派+Intel神经计算棒的组合上。

2.2 数据准备关键点

构建高质量数据集是模型效果的基础保障，需要特别注意：

数据来源：

公开数据集：Combined Smoking Dataset(CSD)包含12,000+标注样本
网络爬取：通过Bing Image Search API获取补充数据
自建数据集：使用工业相机采集不同光照条件下的抽烟场景

标注规范：

统一使用YOLO格式：<class> <x_center> <y_center> <width> <height>
对遮挡、模糊等困难样本进行特别标注
吸烟动作的关键特征（手持香烟、烟雾等）需完整包含在标注框内

重要提示：数据增强策略对提升模型鲁棒性至关重要。建议采用Mosaic增强+随机HSV调整的组合，能有效应对复杂背景干扰。

3. 模型训练实战

3.1 环境配置

推荐使用以下开发环境：

# 基础环境 Python 3.8+ PyTorch 1.12.1+cu113 CUDA 11.3 # 主要依赖 pip install ultralytics albumentations wandb

对于没有GPU的开发环境，可以使用Google Colab的免费T4资源。我在Colab上完整训练一个YOLOv5s模型约需3小时（CSD数据集）。

3.2 训练参数调优

关键训练参数设置及原理：

# data.yaml train: ../datasets/train/images val: ../datasets/valid/images nc: 1 # 只检测抽烟一类 names: ['smoking'] # hyp.yaml lr0: 0.01 # 初始学习率 lrf: 0.2 # 最终学习率=lr0*lrf momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0

学习率设置技巧：

使用线性warmup避免初期梯度爆炸
采用余弦退火策略平滑调整学习率
通过wandb等工具监控loss曲线变化

3.3 模型评估指标

重点关注以下指标：

mAP@0.5：IoU阈值0.5时的平均精度
Recall：避免漏检关键目标
FPS：实际部署时的推理速度

测试结果示例：

Class Images Instances P R mAP50 all 500 500 0.89 0.85 0.87

4. 部署优化技巧

4.1 模型压缩方案

针对边缘设备部署的优化策略：

量化压缩：

model = torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtype=torch.qint8 )

可使模型体积减小4倍，速度提升2倍，精度损失约3%。

剪枝优化：使用TorchPruner对冗余通道进行剪枝，移除10-15%的参数对精度影响微乎其微。

4.2 实际部署案例

以Jetson Nano为例的部署流程：

导出ONNX模型：

torch.onnx.export(model, im, "smoke_det.onnx")

使用TensorRT加速：

/usr/src/tensorrt/bin/trtexec \ --onnx=smoke_det.onnx \ --saveEngine=smoke_det.engine \ --fp16

编写推理服务：

import trt_utils engine = trt_utils.load_engine("smoke_det.engine") detections = engine.infer(image)[0] # 单帧推理约45ms

5. 常见问题解决方案

5.1 误检问题排查

典型场景：

手持细长物体被误判为香烟
烟雾状物体产生假阳性

解决方案：

增加负样本：收集类似场景的非抽烟图片
调整NMS阈值：适当提高iou_thresh(如0.6→0.7)
添加后处理规则：检测到"香烟"时需同步检测"人脸"

5.2 小目标检测优化

对于远距离拍摄的小尺寸目标：

修改anchor box尺寸匹配目标大小
使用更高分辨率的输入(如1280×1280)
添加特征金字塔网络(FPN)增强小目标特征

5.3 实时性提升

当处理高分辨率视频流出现延迟时：

采用多线程流水线：

# 视频采集线程 cap_thread = threading.Thread(target=capture_frames) # 推理线程 inf_thread = threading.Thread(target=run_inference)

使用TensorRT的批处理功能：

context.enqueueV2(buffers, stream, nullptr);

这个项目在实际部署中最大的收获是：边缘设备的性能优化需要平衡计算精度和速度。经过多次测试，最终选择INT8量化+剪枝的方案，在Jetson Nano上实现了25FPS的稳定检测帧率，完全满足商业级应用需求。

资讯详情