本项目是一个功能完整的吸烟人员检测系统。基于最新的 Ultralytics YOLO 系列模型构建，能够检测图像/视频中的人员、香烟、烟雾、电子烟等目标，辅助进行吸烟行为识别与安全监管。本项目提供了美观、易用的 Streamlit Web 交互界面，非常适合同学们参考与展示。
⚠️ 关于本项目 (About This Project)
本仓库开源了系统的前端交互应用（App）源码及训练数据可视化模块。
🔗 开源地址：
🛒 核心模型与训练源码资源包 (Core Models & Training Codes) 包含：
- 核心训练代码：包含 train.py (单模型) 和 train_batch.py (批量实验)，支持断点续训和自动批量大小（autobatch），训练完成后自动生成 GPU 耗时、成本估算和 mAP 评估报告。
- 全系列模型权重与训练日志：包含 YOLOv8 / YOLO11 / YOLO26 三个系列的
best.pt模型文件，以及完整的训练日志、Loss 曲线图、mAP 指标图和混淆矩阵等评估图表。- （赠品）数据集：本项目使用 Roboflow Smoking Person Dataset 的开源数据集。
- 说明：数据集本身是免费开源的。但由于国内网络环境下载困难，我在资源包中免费提供了已整理好的数据集压缩包，方便大家直接使用。
📥 立即获取资源包：
- 🚀 多模型兼容: 系统无缝支持
YOLOv8、YOLO11以及最新的YOLO26模型，用户可在侧边栏一键切换，实时对比不同模型的检测效果。 - 📷 多模态检测: 支持上传单张图片进行快速检测，也支持导入
MP4/MKV/AVI等格式的视频文件（内置转码功能，确保在浏览器中流畅播放）。 - 📦 批量处理引擎: 针对大量数据，提供批量检测功能。系统会自动统计各类别数量，并生成包含详细信息的 CSV 表格。
- 📑 自动报告生成: 一键生成专业的 PDF 检测报告，包含检测综述、类别统计和样张展示，可直接用于作业或汇报。
- 📊 训练可视化: 独家内置模型性能对比面板。无需手动绘制，系统自动解析训练日志，生成专业的 mAP 和 Loss 对比图，助你轻松完成毕设论文的实验分析章节。
- 🇨🇳 全中文支持: 从界面菜单到检测框标签（如"香烟/人员/烟雾/电子烟"等目标），全部采用中文显示，符合国内用户习惯。
🎥 视频演示 (Video Demo)
点击下方图标，跳转至各大视频平台查看系统的详细运行演示：
哔哩哔哩 (Bilibili) 抖音 (Douyin) 小红书 (Xiaohongshu) 快手 (Kuaishou) Bilibili 抖音 Xiaohongshu Kuaishou
此步骤将教你如何运行本仓库的开源代码，体验系统的 UI 交互功能。
- 环境准备 (Environment Setup)
- 安装 Anaconda: 如果你还没有安装 Anaconda，请参考此教程进行安装。
- 打开终端 (Important):
- 方法 A (推荐): 进入本项目文件夹，在地址栏输入
cmd并回车，即可直接在当前目录下打开终端。 - 方法 B: 打开终端后，使用
cd命令跳转到项目目录（例如：cd D:\毕设\YOLO_farms_multi-species_detection）。
- 方法 A (推荐): 进入本项目文件夹，在地址栏输入
- 配置国内镜像源 (推荐):
如果你在国内网络环境下，建议配置清华源以加速下载：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ - 创建并激活环境:
conda create -n task1 python=3.11.15 -y conda activate task1 - 安装 PyTorch (关键步骤):
本项目基于 PyTorch 2.5.1 开发。推荐访问 PyTorch 官网 获取最适合你机器的安装命令。
或者，你可以直接使用以下常用命令（请根据你的显卡驱动版本选择）：
- 方案 A (推荐新显卡/CUDA 12.1):
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y - 方案 B (兼容旧显卡/CUDA 11.8):
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y - 方案 C (无显卡/仅使用 CPU):
conda install pytorch torchvision torchaudio cpuonly -c pytorch -y
- 方案 A (推荐新显卡/CUDA 12.1):
- 安装依赖 下载本仓库代码，并安装必要的第三方库：
- 运行系统 在终端中执行以下命令： 成功后，浏览器会自动打开系统界面。 注意：此时由于没有加载模型文件，点击检测可能会提示"未找到模型"。
以后每次使用本项目时，只需按以下步骤操作：
- 进入项目目录: 使用文件管理器进入本项目文件夹
- 打开终端: 在地址栏输入
cmd并回车，即可直接在当前目录下打开终端 - 激活环境:
conda activate task1
- 启动系统:
streamlit run app/app.py
为了让系统能够识别图像/视频中的吸烟相关目标，你需要加载训练好的 YOLO 模型文件（.pt）。
资源包中已包含 YOLOv8 / YOLO11 / YOLO26 全系列训练好的高精度模型。
- 解压资源包：找到
models文件夹。 - 复制文件：将整个
models文件夹直接复制到本项目的根目录下。 - 完成：刷新网页，侧边栏会自动加载所有模型。
如果你自行训练了模型：
- 新建文件夹：在项目根目录下创建一个名为
models的文件夹。 - 放置模型：将你训练得到的
best.pt文件复制到models/文件夹中（建议重命名为清晰的名称，如yolo11m_smoking_person.pt）。 - 完成：刷新网页，即可在侧边栏选择你的模型进行检测。
📖 详细训练教程: 如果你想自己训练模型，请查看 训练指南
YOLO_Smoking_person_detection/ ├── app/ │ ├── app.py # Streamlit 系统主入口 │ ├── analysis.py # 训练日志分析与绘图模块 │ └── report_gen.py # PDF 报告生成模块 ├── data/ # 训练数据集 (Images/Labels) │ └── Smoking_person/ # 吸烟人员数据集 (4类) ├── models/ # 训练好的模型文件 (.pt) ├── training/ # 模型训练代码 │ ├── train.py # 单模型训练脚本 │ └── train_batch.py # 批量训练脚本 ├── runs/ # 训练输出目录 ├── docs/ # 演示图片与文档 ├── requirements.txt # 项目依赖库列表 └── README.md # 项目说明文档
(注：data/ (数据集)、training/*.py (训练脚本) 和 models/*.pt (模型文件) 为资源包专有内容，未包含在开源仓库中。)
本项目使用 Roboflow Smoking Person Dataset 开源数据集，主要用于检测 吸烟人员相关目标。
| 英文名 | 中文名 |
|---|---|
| Cigarette | 香烟 |
| Person | 人员 |
| Smoke | 烟雾 |
| Vape | 电子烟 |
| 数据集 | 图片数量 |
|---|---|
| 训练集 | 5307 张 |
| 验证集 | 270 张 |
| 测试集 | 81 张 |
💡 说明：数据集本身是免费开源的。但由于国内网络环境下载困难，资源包中免费提供了已整理好的数据集压缩包，方便大家直接使用。
📊 实际训练数据: 查看 训练总结报告，包含15个模型的真实训练耗时、成本
以下是基于国内主流 GPU 云服务商（如 AutoDL）的成本估算逻辑：
- 硬件配置: NVIDIA A800 80GB PCIe
- 训练规模:
- 模型数量: 15 个模型 (YOLOv8/11/26 系列 x n/s/m/l/x 五种规格)
- 训练轮数: 100 Epochs / 模型
- 实际耗时与成本:
- 总耗时: 18:37:32 (约 18.63 小时)
- 云服务器费率: ¥9.35 / 小时
- 总算力成本: 18.63 小时 x ¥9.35 ≈ ¥174.15
💡 省钱建议: 自己租用服务器复现所有实验不仅耗时耗力，且算力成本往往高于直接获取成品。
🛒 核心模型与训练源码资源包 (Core Models & Training Codes) 包含：
- 核心训练代码：包含 train.py (单模型) 和 train_batch.py (批量实验)，支持断点续训和自动批量大小（autobatch），训练完成后自动生成 GPU 耗时，成本估算和 mAP 评估报告。
- 全系列模型权重与训练日志：包含 YOLOv8 / YOLO11 / YOLO26 三个系列的
best.pt模型文件，以及完整的训练日志、Loss 曲线图、mAP 指标图和混淆矩阵等评估图表。- （赠品）数据集：整理好的 Ultralytics 开源数据集压缩包。
📥 立即获取资源包：
- 🛡️ 原创代码，拒绝查重：代码由本人原创开发，且每年进行更新迭代，确保代码结构的新颖性，有效规避查重风险。
- 🔒 一校一份，防止撞车：严格执行"一所学校只售出一份"的原则，从源头上杜绝同学之间毕设雷同的尴尬情况。
- 👨🏫 全程售后，无忧毕业：提供从购买到答辩结束的全程技术支持。遇到任何代码运行、环境配置或逻辑理解问题，均可直接通过微信联系问询。
付费版不仅仅是代码，更包含了一整套完整的毕设文档资料，助你轻松应对论文撰写与答辩：
- 📊 数据集可视化分析报告
- 🏗️ 系统架构说明文档
- 🧠 YOLO 模型架构与训练参数详解
- 📈 模型指标说明文档
- ▶️ 项目运行教程
- ⚙️ 配置修改指南
如果你需要付费版毕设，欢迎联系我！
- 更多毕设资源: 👉 点击查看飞书毕设大全
- 联系方式:
- 微信:
DY_DaoYi - B站 / 抖音 / 小红书: 搜索 道易AI (关注我的个人主页，获取最新消息)
- 微信:
