本教程将详细讲解如何基于YOLOv8搭建校园宿舍违规电器智能检测系统，涵盖数据集构建、模型训练优化、性能验证到告警系统集成的全流程，帮助开发者快速落地宿舍安全检测方案，提升校园后勤管理效率。

学习步骤

1. 需求分析与违规电器数据集规划

   1. 明确检测目标：确定需要检测的违规电器类型，如电炉、电火锅、大功率卷发棒、电热毯等；2. 数据集来源：结合公开数据集（如COCO中的电器类样本）与自建数据集（在宿舍场景拍摄不同角度、光照下的违规电器图片，确保样本多样性）；3. 标注工具选择：使用LabelImg、Roboflow等工具进行标注，标注格式需符合YOLOv8要求（每个样本对应一个txt文件，记录类别id与边界框坐标）；4. 标注规范：统一类别命名与边界框标注标准，避免漏标、错标。

2. 数据集预处理与增强

   1. 数据清洗：去除模糊、重复、标注错误的样本，保证数据集质量；2. 格式转换：将标注好的数据集转换为YOLOv8支持的格式，生成包含train/val/test三个子集的yaml配置文件；3. 数据增强：利用YOLOv8自带的Mosaic、随机翻转、亮度调整、对比度调整等增强方法，通过在训练配置中设置augment=True开启，扩充样本数量提升模型泛化能力；4. 数据集划分：按照8:1:1的比例划分训练集、验证集与测试集。

3. YOLOv8模型选择与训练配置

   1. 模型版本选择：根据部署设备性能选择合适的YOLOv8模型，推荐使用yolov8s.pt（平衡检测精度与推理速度）；2. 配置文件修改：自定义yaml配置文件，修改nc（类别数量）与names（类别名称）为违规电器对应的参数；3. 训练命令执行：运行命令`yolo detect train data=custom.yaml model=yolov8s.pt epochs=50 batch=16 imgsz=640 device=cpu`（若有GPU可替换为device=0）；4. 训练监控：通过TensorBoard查看loss曲线、mAP等指标，判断模型训练状态。

4. 模型优化与性能验证

   1. 模型微调：若训练效果不佳，可调整学习率（如设置lr0=0.001）、增加训练轮数，或采用迁移学习方式冻结部分层训练；2. 轻量化处理：使用`yolo export model=best.pt format=onnx`命令将模型转换为ONNX格式，结合TensorRT进行INT8量化，降低模型体积与推理延迟；3. 性能验证：在测试集上进行推理，计算mAP@0.5、精确率、召回率等指标，评估模型检测效果；4. 可视化验证：运行`yolo detect predict model=best.pt source=test_images/`查看检测结果，调整模型参数优化漏检、误检问题。

5. 部署与智能告警系统集成

   1. 部署方式选择：若部署在边缘设备（如Jetson Nano），可导出TensorRT格式模型；若云端部署，可将模型部署至FastAPI服务；2. 实时视频检测：调用OpenCV读取宿舍摄像头视频流，加载YOLOv8模型进行实时推理；3. 告警逻辑实现：当检测到违规电器时，触发告警机制，通过企业微信API、短信接口等推送告警信息给宿管，包含违规位置、检测时间与现场截图；4. 系统测试：模拟宿舍场景进行多次测试，优化告警阈值与检测灵敏度。