业务背景

　　在企业生产安全管理中，厂区安全是重要课题之一。厂区的人多、物杂、环境复杂等特性给安全管理带来挑战。当前大多数企业厂区都已加装视频摄像头，但主要依赖人工来对摄像头进行监测和预警。

　　业务难点

　　由于人眼、人脑的数据采集、分析能力具有局限性、不稳定性，因此依赖人工的监控方式无法做到视频数据的全量覆盖、及时分析和实时预警，从而给厂区安全管理带来隐患。

　　解决思路

　　为满足上述场景中的安全巡检需求，可引入AI模型进行智能分析，从而识别出厂区的人、物、环境等多种对象，并获取其位置、状态等信息，从而自动生成预警信号。例如，可识别人员着装是否规范（如安全帽、制服等）、是否产生危险行为（如抽烟等）、是否处于异常状态（如跌倒、聚集等）。这些智能分析需求可基于图像分类、物体检测、图像分割等AI模型来实现。例如，厂区抽烟行为的识别可基于物体检测模型来实现。

　　客户的实际场景是基于厂区摄像头视频抽帧得到的图片来进行抽烟行为识别。因此，前期采集训练数据时，需要从摄像头视频数据中获取抽烟行为图片，且尽量覆盖不同角度、距离、光照等条件，与厂区的实际摄像条件相符。这样才能保证训练出来的模型真实可用，不可以用网络图片替代。

　　抽烟行为识别其实是识别出人手中握着的烟头，

　　采集完毕可以根据您的使用习惯选择不同的导入方式来上传数据。可直接上传图片；也可将图片打包成zip压缩包上传；还可先将图片上传到其他网络地址（例如：百度网盘），然后拷贝链接上传。

　　数据标注

　　抽烟识别模型输出的信息是图片中是否有抽烟行为，以及烟头具体出现的位置，对应物体检测任务。因此，需选择图像-物体检测标注模板，并使用矩形框对烟头进行标注。

　　选择任务类型并创建模型

　　抽烟识别对应物体检测模型，因此需选择物体检测任务类型。点击创建模型，根据您的业务需要来为模型自定义命名，如：抽烟行为识别。

　　可以选择高精度、均衡或高性能算法。其中，高精度算法侧重于保障模型效果，可通俗理解为模型更准，但模型体积相对更大，计算速度相对更慢，资源消耗也相对更多；而高性能算法侧重于保障模型性能，可通俗理解为模型体积更小、速度更快，或模型所占用的资源更少；均衡算法则介于两者中间。如果您更关注模型准确性，或硬件资源较为充足，建议选择高精度算法；如果您的硬件资源较为紧张，或更关注模型速度、计算资源利用效率，则建议选择高性能算法。