下面為你詳細介紹如何使用YOLOv8模型進行基于深度學習的吸煙行為檢測，包含環境配置、數據準備、模型訓練以及推理等步驟。

1. 環境配置

首先，你需要安裝必要的庫，主要是ultralytics庫，它包含了YOLOv8模型。你可以使用以下命令進行安裝：

pip install ultralytics

2. 數據準備

要進行吸煙行為檢測，你需要準備一個包含吸煙和非吸煙圖像的數據集。數據集應按照YOLOv8所需的格式進行組織，具體如下：

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/├── train/├── val/└── test/

其中，images文件夾存放圖像文件，labels文件夾存放對應的標注文件。標注文件是.txt格式，每行代表一個目標，格式為class x_center y_center width height，坐標值均為相對于圖像寬高的歸一化值。

同時，你需要創建一個data.yaml文件，內容如下：

train: ../dataset/images/train
val: ../dataset/images/val
test: ../dataset/images/testnc: 1  # 類別數量，這里只有吸煙一個類別
names: ['smoking']

3. 模型訓練

以下是使用Python代碼進行模型訓練的示例：

from ultralytics import YOLO# 加載預訓練的YOLOv8模型
model = YOLO('yolov8n.pt')# 訓練模型
results = model.train(data='data.yaml',  # 數據集配置文件路徑epochs=10,  # 訓練輪數imgsz=640  # 輸入圖像的大小
)

4. 模型推理

訓練完成后，你可以使用訓練好的模型進行吸煙行為檢測。以下是推理代碼示例：

from ultralytics import YOLO
import cv2# 加載訓練好的模型
model = YOLO('runs/detect/train/weights/best.pt')# 讀取圖像
image = cv2.imread('path/to/your/image.jpg')# 進行推理
results = model(image)# 獲取檢測結果
for result in results:boxes = result.boxesfor box in boxes:class_id = int(box.cls[0])confidence = float(box.conf[0])bbox = box.xyxy[0].cpu().numpy().astype(int)if class_id == 0 and confidence > 0.5:  # 類別ID為0表示吸煙，置信度閾值設為0.5x1, y1, x2, y2 = bboxcv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)cv2.putText(image, f'Smoking: {confidence:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)# 顯示結果圖像
cv2.imshow('Smoking Detection', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

代碼解釋

1. 模型訓練：

   • 首先使用YOLO('yolov8n.pt')加載預訓練的YOLOv8模型。
   • 然后調用model.train()方法進行訓練，指定數據集配置文件、訓練輪數和輸入圖像大小。

2. 模型推理：

   • 使用YOLO('runs/detect/train/weights/best.pt')加載訓練好的模型。
   • 讀取圖像并調用model(image)進行推理。
   • 遍歷檢測結果，根據類別ID和置信度繪制邊界框和標簽。

通過以上步驟，你就可以使用YOLOv8模型進行吸煙行為檢測了。