一、項目背景與需求
【打怪升級 - 08】基于 YOLO11 的抽煙檢測系統（包含環境搭建 + 數據集處理 + 模型訓練 + 效果對比 + 調參技巧）
今天我們使用YOLO11來訓練一個抽煙檢測系統，基于YOLO11的抽煙檢測系統。我們使用了大概兩萬張圖片的數據集訓練了這次的基于YOLO11的抽煙檢測模型，然后在推理的基礎上使用PyQt設計了可視化的操作界面。
二、數據集
此次訓練用的抽煙檢測數據集，只有一類，即smoking。然后下面是數據集的統計分析圖。一共有近35000個抽煙檢測框，標簽的中心坐標分布比較均勻，在圖像中的各個位置都有，但都不靠近邊緣；目標，即抽煙目標的長寬同樣比較集中，屬于小目標的范圍（小于圖像長寬的0.2倍）。
部分數據集截圖：
三、簡單介紹：YOLO11有哪些特點？
主要功能
- 增強的特征提取: YOLO11 采用改進的 backbone和 neck 架構，從而增強了特征提取能力，以實現更精確的目標檢測和復雜的任務性能。
- 優化效率和速度： YOLO11 引入了改進的架構設計和優化的訓練流程，從而提供更快的處理速度，并在精度和性能之間保持最佳平衡。
- 以更少的參數實現更高的精度： 憑借模型設計的進步，YOLO11m 在 COCO 數據集上實現了更高的 平均精度均值 (mAP)，同時比 YOLOv8m 使用的參數減少了 22%，從而在不影響精度的情況下提高了計算效率。
- 跨環境的適應性： YOLO11 可以無縫部署在各種環境中，包括邊緣設備、云平臺和支持 NVIDIA GPU 的系統，從而確保最大的靈活性。
- 廣泛的支持任務范圍： 無論是目標檢測、實例分割、圖像分類、姿態估計還是定向目標檢測 (OBB)，YOLO11 都旨在滿足各種計算機視覺挑戰。
與之前的版本相比，Ultralytics YOLO11 的主要改進是什么？
Ultralytics YOLO11 在其前代產品的基礎上進行了多項重大改進。主要改進包括：
- 增強的特征提取： YOLO11 采用了改進的骨干網絡和頸部架構，增強了特征提取能力，從而實現更精確的目標檢測。
- 優化的效率和速度： 改進的架構設計和優化的訓練流程提供了更快的處理速度，同時保持了準確性和性能之間的平衡。
- 以更少的參數實現更高的精度： YOLO11m 在 COCO 數據集上實現了更高的平均精度均值 [mAP]，與 YOLOv8m 相比，參數減少了 22%，從而在不影響準確性的前提下提高了計算效率。
- 跨環境的適應性： YOLO11 可以部署在各種環境中，包括邊緣設備、云平臺和支持 NVIDIA GPU 的系統。
- 廣泛的支持任務范圍： YOLO11 支持各種計算機視覺任務，例如目標檢測、實例分割、圖像分類、姿態估計和定向目標檢測 (OBB)。
環境搭建：
【打怪升級 - 01】保姆級機器視覺入門指南：硬件選型 + CUDA/cuDNN/Miniconda/PyTorch/Pycharm 安裝全流程（附版本匹配秘籍+文末有視頻講解）
數據集處理
labelme數據標注保姆級教程：從安裝到格式轉換全流程，附常見問題避坑指南(含視頻講解)
四、模型訓練
本次訓練使用的預訓練模型是YOLO11n.pt（COCO數據集訓練所得），epochs設置為100，batch設置為64，imgsz設置為640，其他均采用默認參數。
五、可視化模型推理
補充:
平均精度（mAP）是計算機視覺領域廣泛使用的一個重要評估指標，尤其適用于物體檢測任務。它提供了一個單一的綜合分數，通過衡量模型對所有物體類別的預測準確度來總結模型的性能。mAP 分數既考慮了分類的正確性（物體是否如模型所說？），也考慮了定位的質量（預測的邊界框與實際物體位置的匹配程度如何？）由于 mAP 能提供均衡的評估，因此已成為比較Ultralytics YOLO 等不同物體檢測模型性能的標準指標。
mAP 如何工作
要了解 mAP，首先要掌握其核心組成部分：精確度（Precision）、召回率（Recall）和聯合交集（IoU）。
- 精確度衡量模型預測的準確程度。它回答的問題是：“在模型檢測到的所有物體中，正確率是多少？”
- 召回率：衡量模型找到所有實際物體的程度。它能回答以下問題"在圖像中存在的所有真實物體中，模型成功檢測到的物體占多大比例？
- 交集大于聯合 (IoU)：量化預測邊界框與地面真實（人工標注）邊界框重疊程度的指標。如果 IoU 高于某個閾值（如 0.5），則通常認為檢測為真陽性。
mAP 計算綜合了這些概念。對于每個對象類別，通過繪制不同置信度閾值下的精確度與召回率曲線，生成精確度-召回率曲線。該類別的平均精度（Average Precision，AP）就是該曲線下的面積，它提供了一個代表模型在該特定類別上性能的單一數字。最后，取所有對象類別的 AP 分數的平均值來計算 mAP。有些評估方案，如流行的COCO 數據集的評估方案，則更進一步，通過對多個 IoU 閾值的 mAP 取平均值來提供更穩健的評估。
將 mAP 與其他指標區分開來
雖然 mAP 與其他評價指標相關，但其目的截然不同。
準確性準確度衡量的是正確預測與預測總數的比率。它一般用于分類任務，不適合對象檢測，因為在對象檢測中，預測必須同時正確分類和定位。
- F1 分數F1 分數是精確度和召回率的調和平均值。雖然有用，但它通常是在單一置信度閾值下計算的。相比之下，mAP 通過平均所有閾值的性能來提供更全面的評估。
- 置信度：這不是模型整體的評估指標，而是分配給每個預測的分數，表示模型對該檢測的確定程度。mAP 計算使用這些置信度分數來創建精度-召回曲線。
)
