好写作AI：当AI遇见艺术理论——你的批判性思维，需要一个“杠精”搭档吗？

项目介绍本项目基于YOLOv10目标检测算法开发了一套高性能吸烟行为识别系统主要用于实时检测吸烟相关目标。

模型采用nc5的五分类架构能够精准识别香烟Cigarette、人员Person、烟雾Smoke、电子烟Vape和吸烟动作smoking五大关键目标。

系统通过多目标关联检测技术不仅能识别吸烟相关物体还能结合人员与香烟/电子烟的交互状态进行行为判断可部署于安防监控、智能巡检等实际场景为公共场所禁烟管理提供自动化监管解决方案。

该模型在保证检测精度的同时兼顾实时性需求支持GPU加速推理具备较强的工程应用价值。

数据集介绍数据集采用严格标注标准构建总计包含12,486张高质量图像样本按8:1:1比例划分为训练集12,046张、验证集318张和测试集122张。

数据覆盖白天/夜间、室内/室外、近距离/远视角等多维度场景包含不同光照条件、遮挡情况和拍摄角度的吸烟相关样本。

标注方案采用五类别标签体系Cigarette标注可见香烟实体Person标注吸烟人员全身/半身区域Smoke捕捉呼出烟雾形态Vape标注电子烟设备smoking则专门标注香烟与口部接触的关键动作。

验证集和测试集均经过人工复核确保标注准确性为模型泛化能力提供可靠保障。

目录

项目介绍数据集介绍

项目功能展示系统功能图片检测摄像头实时检测

数据集介绍数据集概述数据集配置文件

项目环境配置创建虚拟环境pycharm中配置anaconda安装所需要库

模型训练训练代码训练结果

核心代码

项目源码视频下方简介内基于深度学习YOLOv10的吸烟识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习YOLOv10的吸烟识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型

项目功能展示系统功能✅图片检测可对图片进行检测返回检测框及类别信息。

✅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。

✅参数实时调节置信度和IoU阈值图片检测该功能允许用户通过单张图片进行目标检测。

输入一张图片后YOLO模型会实时分析图像识别出其中的目标并在图像中框出检测到的目标输出带有目标框的图像。

视频检测视频检测功能允许用户将视频文件作为输入。

YOLO模型将逐帧分析视频并在每一帧中标记出检测到的目标。

最终结果可以是带有目标框的视频文件或实时展示适用于视频监控和分析等场景。

摄像头实时检测该功能支持通过连接摄像头进行实时目标检测。

YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测实时识别并显示检测结果。

此功能非常适用于安防监控、无人驾驶、智能交通等应用提供即时反馈。

核心特点高精度基于YOLO模型提供精确的目标检测能力适用于不同类型的图像和视频。

实时性特别优化的算法使得实时目标检测成为可能无论是在视频还是摄像头实时检测中响应速度都非常快。

批量处理支持高效的批量图像和视频处理适合大规模数据分析。

数据集介绍数据集概述数据集采用严格标注标准构建总计包含12,486张高质量图像样本按8:1:1比例划分为训练集12,046张、验证集318张和测试集122张。

数据覆盖白天/夜间、室内/室外、近距离/远视角等多维度场景包含不同光照条件、遮挡情况和拍摄角度的吸烟相关样本。

标注方案采用五类别标签体系Cigarette标注可见香烟实体Person标注吸烟人员全身/半身区域Smoke捕捉呼出烟雾形态Vape标注电子烟设备smoking则专门标注香烟与口部接触的关键动作。

验证集和测试集均经过人工复核确保标注准确性为模型泛化能力提供可靠保障。

数据集配置文件数据集采用YOLO格式的配置文件主要包含train: F:\吸烟检测数据集\train\images val: F:\吸烟检测数据集\valid\images test: F:\吸烟检测数据集\test\images nc: 5 names: [Cigarette, Person, Smoke, Vape, smoking]

项目环境配置创建虚拟环境首先新建一个Anaconda环境每个项目用不同的环境这样项目中所用的依赖包互不干扰。

终端输入conda create -n yolov10 python

9激活虚拟环境conda activate yolov10安装cpu版本pytorchpip install torch torchvision torchaudiopycharm中配置anaconda安装所需要库pip install -r requirements.txt

模型训练训练代码from ultralytics import YOLOv10 model_path yolov10s.pt data_path datasets/data.yaml if __name__ __main__: model YOLOv10(model_path) results model.train(datadata_path, epochs500, batch64, device0, workers0, projectruns/detect, nameexp, )根据实际情况更换模型 yolov10n.yaml (nano)轻量化模型适合嵌入式设备速度快但精度略低。

yolov10s.yaml (small)小模型适合实时任务。

yolov10m.yaml (medium)中等大小模型兼顾速度和精度。

yolov10b.yaml (base)基本版模型适合大部分应用场景。

yolov10l.yaml (large)大型模型适合对精度要求高的任务。

--batch 64每批次64张图像。

--epochs 500训练500轮。

--datasets/data.yaml数据集配置文件。

--weights yolov10s.pt初始化模型权重yolov10s.pt是预训练的轻量级YOLO模型。

训练结果

核心代码import sys import cv2 import numpy as np from PyQt

QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt

QtCore import QThread, pyqtSignal from ultralytics import YOLOv10 from UiMain import UiMainWindow import time import os class DetectionThread(QThread): frame_received pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parentNone): super().__init__(parent) self.model model self.source source self.conf conf self.iou iou self.running True def run(self): try: if isinstance(self.source, int) or self.source.endswith((.mp4, .avi, .mov)): # 视频或摄像头 cap cv

VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame cap.read() if not ret: break # 保存原始帧 original_frame frame.copy() # 检测 results self.model(frame, confself.conf, iouself.iou) annotated_frame results[0].plot() # 提取检测结果 detections [] for result in results: for box in result.boxes: class_id int(box.cls) class_name self.model.names[class_id] confidence float(box.conf) x, y, w, h box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv

cvtColor(original_frame, cv

COLOR_BGR2RGB), cv

cvtColor(annotated_frame, cv

COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(

0.

# 约30fps cap.release() else: # 图片 frame cv

imread(self.source) if frame is not None: original_frame frame.copy() results self.model(frame, confself.conf, iouself.iou) annotated_frame results[0].plot() # 提取检测结果 detections [] for result in results: for box in result.boxes: class_id int(box.cls) class_name self.model.names[class_id] confidence float(box.conf) x, y, w, h box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv

cvtColor(original_frame, cv

COLOR_BGR2RGB), cv

cvtColor(annotated_frame, cv

COLOR_BGR2RGB), detections ) except Exception as e: print(fDetection error: {e}) finally: self.finished_signal.emit() def stop(self): self.running False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model None self.detection_thread None self.current_image None self.current_result None self.video_writer None self.is_camera_running False self.is_video_running False self.last_detection_result None # 新增保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name self.model_combo.currentText() self.model YOLOv10(f{model_name}.pt) # 自动下载或加载本地模型 self.update_status(f模型 {model_name} 加载成功) except Exception as e: QMessageBox.critical(self, 错误, f模型加载失败: {str(e)}) self.update_status(模型加载失败) def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, 警告, 请先停止当前检测任务) return file_path, _ QFileDialog.getOpenFileName( self, 选择图片, , 图片文件 (*.jpg *.jpeg *.png *.bmp)) if file_path: self.clear_results() self.current_image cv

imread(file_path) self.current_image cv

cvtColor(self.current_image, cv

COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf self.confidence_spinbox.value() iou self.iou_spinbox.value() self.detection_thread DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f正在检测图片: {os.path.basename(file_path)}) def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, 警告, 请先停止当前检测任务) return file_path, _ QFileDialog.getOpenFileName( self, 选择视频, , 视频文件 (*.mp4 *.avi *.mov)) if file_path: self.clear_results() self.is_video_running True # 初始化视频写入器 cap cv

VideoCapture(file_path) frame_width int(cap.get(cv

CAP_PROP_FRAME_WIDTH)) frame_height int(cap.get(cv

CAP_PROP_FRAME_HEIGHT)) fps cap.get(cv

CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir results os.makedirs(save_dir, exist_okTrue) timestamp time.strftime(%Y%m%d_%H%M%S) save_path os.path.join(save_dir, fresult_{timestamp}.mp

fourcc cv

VideoWriter_fourcc(*mp4v) self.video_writer cv

VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf self.confidence_spinbox.value() iou self.iou_spinbox.value() self.detection_thread DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f正在检测视频: {os.path.basename(file_path)}) def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, 警告, 请先停止当前检测任务) return self.clear_results() self.is_camera_running True # 创建检测线程 (默认使用摄像头

conf self.confidence_spinbox.value() iou self.iou_spinbox.value() self.detection_thread DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(正在从摄像头检测...) def stop_detection(self): if self.detection_thread and self.detection_thread.isRunning(): self.detection_thread.stop() self.detection_thread.quit() self.detection_thread.wait() if self.video_writer: self.video_writer.release() self.video_writer None self.is_camera_running False self.is_video_running False self.update_status(检测已停止) def on_frame_received(self, original_frame, result_frame, detections): # 更新原始图像和结果图像 self.display_image(self.original_image_label, original_frame) self.display_image(self.result_image_label, result_frame) # 保存当前结果帧用于后续保存 self.last_detection_result result_frame # 新增保存检测结果 # 更新表格 self.clear_results() for class_name, confidence, x, y in detections: self.add_detection_result(class_name, confidence, x, y) # 保存视频帧 if self.video_writer: self.video_writer.write(cv

cvtColor(result_frame, cv

COLOR_RGB2BGR)) def on_detection_finished(self): if self.video_writer: self.video_writer.release() self.video_writer None self.update_status(视频检测完成结果已保存) elif self.is_camera_running: self.update_status(摄像头检测已停止) else: self.update_status(图片检测完成) def save_result(self): if not hasattr(self, last_detection_result) or self.last_detection_result is None: QMessageBox.warning(self, 警告, 没有可保存的检测结果) return save_dir results os.makedirs(save_dir, exist_okTrue) timestamp time.strftime(%Y%m%d_%H%M%S) if self.is_camera_running or self.is_video_running: # 保存当前帧为图片 save_path os.path.join(save_dir, fsnapshot_{timestamp}.jpg) cv

imwrite(save_path, cv

cvtColor(self.last_detection_result, cv

COLOR_RGB2BGR)) self.update_status(f截图已保存: {save_path}) else: # 保存图片检测结果 save_path os.path.join(save_dir, fresult_{timestamp}.jpg) cv

imwrite(save_path, cv

cvtColor(self.last_detection_result, cv

COLOR_RGB2BGR)) self.update_status(f检测结果已保存: {save_path}) def closeEvent(self, event): self.stop_detection() event.accept() if __name__ __main__: app QApplication(sys.argv) # 设置应用程序样式 app.setStyle(Fusion) # 创建并显示主窗口 window MainWindow() window.show() sys.exit(app.exec_())

项目源码视频下方简介内基于深度学习YOLOv10的吸烟识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习YOLOv10的吸烟识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型

虫虫漫画免费漫画入口在哪里-虫虫漫画免费漫画入口在哪里应用