YOLO26实战：吸烟/喝水/打电话检测系统，mAP达0.837

摘要

本报告基于YOLO26目标检测算法，针对监控场景下的吸烟、喝水、打电话三种行为构建了一个多类别检测系统。系统使用3157张图像进行训练，350张图像进行验证，包含三个目标类别：吸烟（smoke）、喝水（drink）和打电话（phone）。通过对训练结果中的混淆矩阵、精度-召回率曲线、损失曲线等多项指标的综合分析，评估模型的检测性能。

结果表明，模型在喝水类别上表现最佳（召回率0.962），打电话类别表现良好（召回率0.847），吸烟类别召回率相对较低（0.702）。总体mAP@0.5达到0.837，模型在高置信度阈值下具有较高的精确率，对背景的误检率极低。本系统可为公共场所安全监控、 workplace合规管理等场景提供有效的技术支撑。

目录

摘要

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

行为检测的重要性

传统监控方式的局限性

计算机视觉技术的优势

YOLO算法的应用价值

数据集介绍

数据集构成

数据分布分析

训练结果​

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅参数实时调节（置信度和IoU阈值）

✅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。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

随着人工智能技术的快速发展，基于计算机视觉的行为识别系统在公共安全、生产管理和智能监控等领域得到了广泛应用。吸烟、违规使用手机和不规范饮水等行为在特定场所（如加油站、化工厂、医院、考场等）可能带来严重的安全隐患或管理问题。传统的人工监控方式存在效率低、成本高、易疲劳等问题，难以满足实时、准确的监管需求。

目标检测技术能够自动识别图像或视频中的特定对象及其位置，为行为监控提供了高效的解决方案。YOLO（You Only Look Once）系列算法以其检测速度快、精度高的特点，成为实时目标检测领域的代表性方法。本研究基于YOLO26框架，构建了一个能够同时检测吸烟、喝水和打电话三种行为的智能监控系统，通过对模型训练过程的详细分析，评估其在实际场景中的可行性和优化方向。

背景

行为检测的重要性

在众多公共场所和工作环境中，特定行为的监控对于保障安全至关重要：

吸烟行为监控：在加油站、化工厂、森林防火区、医院氧气房等禁烟场所，吸烟行为是引发火灾和爆炸事故的主要隐患之一。传统的烟雾探测器只能检测火灾发生后的烟雾，无法做到事前预防。通过视频监控实时检测吸烟行为，可以在火灾发生前进行预警和干预，大幅降低安全风险。

违规饮水监控：在手术室、实验室、食品加工车间等对卫生要求极高的场所，随意饮水可能导致交叉污染或安全事故。此外，在某些特定工作岗位（如化工生产线、电子车间），饮水需要在指定区域进行。自动检测饮水行为有助于维护工作场所的卫生标准和操作规范。

手机使用监控：在考场中，手机使用可能助长作弊行为；在驾驶环境中，开车使用手机是导致交通事故的重要原因之一；在涉密场所，违规使用手机可能造成信息泄露。通过自动检测手机使用行为，可以有效辅助监管，减少人为疏忽。

传统监控方式的局限性

目前，多数场所仍然依赖人工监控的方式，这种方式存在以下明显不足：

• 人力成本高：需要安排专人长时间盯着监控屏幕，容易造成人员疲劳和注意力下降

• 响应滞后：人工监控难以做到实时发现、实时干预，往往是在事后回放时才能发现问题

• 主观性强：不同监控人员的判断标准可能存在差异，导致漏报、误报率较高

• 覆盖面有限：单个监控人员难以同时关注多个监控画面，容易遗漏重要信息

计算机视觉技术的优势

基于深度学习的计算机视觉技术为行为检测提供了新的解决方案：

• 自动化程度高：系统可7×24小时不间断运行，无需人工持续干预

• 检测速度快：现代目标检测算法（如YOLO）可在毫秒级完成单帧图像的检测

• 准确率高：经过充分训练的模型可以达到甚至超过人工检测的准确率

• 可扩展性强：同一套系统可同时监控数百路视频，大幅提升监控效率

YOLO算法的应用价值

YOLO（You Only Look Once）作为一阶段目标检测算法的代表，将目标检测任务转化为回归问题，通过单个神经网络直接从完整图像中预测边界框和类别概率。其核心优势在于：

• 端到端训练：无需复杂的候选区域生成过程，简化了训练流程

• 检测速度快：适合实时视频分析场景，满足监控系统的实时性要求

• 全局信息利用：在训练过程中能够看到整张图像，有助于减少背景误检

• 平衡精度与速度：在保证较高检测精度的同时，保持了优异的推理速度

基于以上背景，本研究选择YOLO26算法构建吸烟、喝水、手机使用行为的检测系统，旨在为各类需要行为监控的场景提供可靠的技术支持。

数据集介绍

数据集构成

本系统使用自行采集和标注的图像数据集，包含三个类别：

• smoke（吸烟）：检测人手拿香烟或正在吸烟的行为

• drink（喝水）：检测人手拿水杯、水瓶等容器饮水的行为

• phone（打电话）：检测人手拿手机贴近耳朵或正在操作手机的行为

数据集总规模为3507张图像，其中：

• 训练集：3157张图像（约占90%）

• 验证集：350张图像（约占10%）

数据分布分析

根据labels.jpg文件中的数据分析：

• 目标分布：目标主要集中在图像中心区域，这可能与采集时的构图习惯有关

• 尺寸分布：目标大小分布较广，包含大、中、小不同尺度的目标

• 类别平衡性：三个类别的样本数量可能存在一定差异（从混淆矩阵推测，phone类样本较多，drink类样本较少）

训练结果

1. 整体性能评估

主要指标（mAP@0.5）

• mAP@0.5 ≈ 0.90~0.95

2. 各类别检测效果分析

从BoxPR_curve.png表格中：

从confusion_matrix.png：

• smoke：891 正确，但 109 被误判为背景，47 被误判为其他类 →漏检较多

• drink：108 正确，25 被误判为背景 → 少量漏检

• phone：199 正确，100 被误判为背景 →漏检严重

• 背景几乎没有被误判为目标（0 背景误检），说明模型对背景抑制较好。

3. 精确率-置信度曲线（BoxP_curve.png）

• 各类别在低置信度下精确率较低，随置信度提升精确率上升。

• “all classes” 在置信度 0.944 时达到精确率 1.00，说明模型在高置信度下非常可靠。

4. 召回率-置信度曲线（BoxR_curve.png）

• 置信度越低，召回率越高，符合预期。

• 在置信度 0.0 时，召回率最高：

  • smoke: 0.88

  • drink: 0.95

  • phone: 0.82

  • all: 0.87

说明模型在低阈值下能检出大多数目标，但可能会有误检。

5. 损失曲线（results.png）

• train/box_loss、cls_loss、dfl_loss都在下降

• val/box_loss、cls_loss也在下降，说明没有过拟合

• 如果 val loss 在后期上升，需警惕过拟合，但目前趋势良好。

6. 归一化混淆矩阵（confusion_matrix_normalized.png）

• smoke：65% 正确，35% 误判为背景 → 漏检严重

• drink：24% 正确，但 26% 被误判为 phone，7% 为背景 → 类别混淆

• phone：81% 正确，19% 误判为背景 → 漏检仍需改进

• 背景：0% 误检 → 很好

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频