抽烟行为检测数据集（约3000张图片已标注）| YOLO训练数据集 AI视觉检测

引言

在智慧城市与智能安防快速发展的背景下，基于计算机视觉的行为识别技术正在逐步落地到各类实际场景中。其中，“抽烟行为检测”作为一种典型的细粒度行为识别任务，在公共安全管理与场所规范监管中具有重要应用价值。

例如，在地铁、医院、商场、电梯等禁烟区域，传统依赖人工巡查的方式不仅效率低，而且难以做到实时、全面覆盖。因此，借助深度学习模型实现自动化抽烟行为识别，成为当前AI视觉领域的一个重要研究与应用方向。

本文将围绕一套抽烟行为检测数据集（约3000张）展开，从数据结构、标注方式、应用场景到实战经验，进行系统性解析，帮助你快速上手 YOLO 项目。

数据集下载

通过网盘分享的文件：抽烟行为检测数据集
链接: https://pan.baidu.com/s/1sOO1fcVSqcVBkHzg7dM-aA?pwd=tmvu

提取码: tmvu

数据集概述

该数据集为抽烟行为检测数据集（Smoking Detection Dataset），专门用于训练与评估基于深度学习的目标检测模型（如 YOLO 系列）在真实场景下对抽烟行为的识别能力。

核心信息如下：

• 数据规模：约 3000 张高质量图像
• 任务类型：目标检测（行为识别）
• 标注格式：YOLO 标准格式
• 类别数量：1 类（smoke）

相比多类别检测任务，该数据集专注于单一行为类别，使模型可以更加聚焦于“抽烟动作特征”的学习，从而提升检测精度。

背景

随着社会公共安全意识的不断提升，禁烟管理逐渐成为各类公共场所的重要规范之一。然而在实际执行过程中，仍面临诸多挑战：

• 人工监管成本高
• 违规行为隐蔽性强
• 难以实现全天候监控
• 取证与追溯困难

尤其是在一些人员密集区域（如商场、地铁站），抽烟行为往往具有短时性与随机性，传统方式难以及时发现。

在此背景下，基于深度学习的视觉识别技术提供了一种高效解决方案：

👉 通过摄像头 + YOLO模型，实现实时抽烟行为检测
👉 自动触发告警机制，提高监管效率
👉 支持视频回溯与行为分析

而高质量数据集，正是这一切的基础。

数据集详情

1. 数据结构

本数据集采用标准 YOLO 数据组织格式，兼容主流训练框架：

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

说明：

• images/：存储原始图像
• labels/：对应标注文件（.txt）
• train/val/test：分别为训练、验证、测试集

可直接用于 YOLOv5 / YOLOv8，无需额外转换。

2. 标注格式说明

采用 YOLO 标准标注格式：

<class_id> <x_center> <y_center> <width> <height>

特点：

• 坐标为归一化值（0~1）
• 每一行对应一个目标
• 支持多目标检测

示例：

0 0.523 0.611 0.132 0.245
0 0.742 0.389 0.118 0.201

3. 类别定义

虽然只有一个类别，但模型需要学习的并不仅仅是“烟”，而是：

• 手持香烟
• 吸烟动作
• 烟雾特征
• 人体姿态组合

这本质上是一个“行为检测”问题，而非简单物体检测。

4. 数据特点

（1）多场景覆盖

• 室内（办公室、电梯、商场）
• 室外（街道、公园）

（2）复杂光照条件

• 强光（户外阳光）
• 弱光（室内角落）
• 夜间（低照度环境）

（3）多样化人群

• 不同性别
• 不同年龄段
• 不同服装风格

（4）多姿态行为

• 站立抽烟
• 行走抽烟
• 坐姿抽烟

（5）高质量标注

• 人工精细标注
• 边界框紧贴关键区域（手部/烟）
• 标注一致性强

适用场景

该数据集在多个实际应用场景中具有较高价值：

1. 智慧安防系统

部署 YOLO 模型后，可实现：

• 实时抽烟行为检测
• 自动报警（联动系统）
• 视频监控智能升级

适用于：

• 商场
• 地铁
• 写字楼
• 医院

2. 禁烟区域监管

在明确禁烟区域（如电梯、医院）：

• 自动识别违规行为
• 记录违规时间与位置
• 提供证据支持

3. AI视频分析平台

结合视频流处理技术：

• 行为统计分析
• 高频违规区域识别
• 数据可视化

4. 模型研究与算法优化

适用于：

• YOLO改进实验（涨点项目）
• 注意力机制（CBAM / SE / Triplet Attention）验证
• 小目标检测优化研究

使用建议（实战经验）

1. 模型选择

推荐：

• 轻量部署：YOLOv8n
• 平衡性能：YOLOv8s
• 高精度需求：YOLOv8m / YOLOv8l

2. 数据增强策略

建议开启：

• Mosaic增强
• MixUp
• 随机亮度/对比度调整
• 随机裁剪

👉 特别是夜间/弱光场景，增强非常关键。

3. 训练参数建议

epochs=100~200
imgsz=640
batch=16

如果目标较小（烟）：

👉 建议提高分辨率（如 768 或 832）

4. 难点分析

（1）小目标问题（香烟）

• 目标尺寸小
• 容易被忽略

👉 解决方案：

• 提高输入分辨率
• 使用多尺度训练
• 引入FPN/BiFPN

（2）行为模糊问题

• 拿物体 ≠ 抽烟
• 需要区分动作特征

👉 建议：

• 增加关键动作样本
• 引入时序模型（视频检测）

（3）遮挡问题

• 手部遮挡
• 人群遮挡

👉 解决：

• 数据增强（CutMix）
• 增加复杂场景样本

心得

从项目实践角度来看，这类“行为检测数据集”有几个非常重要的特点：

1. 比普通目标检测更难

因为模型需要理解“动作语义”，而不仅仅是“物体形状”。

2. 单类别 ≠ 简单任务

虽然只有一个类别，但：

👉 特征更加复杂
👉 判别难度更高

3. 数据质量决定上限

• 标注精度
• 行为定义一致性

直接影响模型效果。

4. 非常适合做项目展示

该数据集非常适用于：

• CSDN技术博客
• 毕业设计项目
• AI安防系统Demo

👉 可视化效果强，非常容易出成果。

结语

随着AI技术的不断成熟，基于视觉的行为识别正在逐步改变传统监管方式。从“人盯人”到“机器自动识别”，不仅提高了效率，也极大降低了人力成本。

本次分享的抽烟行为检测数据集（3000张），具备：

• 场景丰富
• 标注规范
• 可直接训练
• 实用性强

无论你是做：

• YOLO目标检测
• 智慧安防项目
• AI行为识别研究

这个数据集都非常值得一试。