抽烟打电话行为识别系统对监控画面区域进行7*24小时实时监测，当抽烟打电话行为识别系统监测到现场有人抽烟或者打电话时，立即抓拍存档告警及时将违规信息回传给后台及时处理。抽烟打电话识别系统不需新增硬件实现对工厂车间或者工地等人员违规抽烟、打电话等违规行为实现自动识别和预警处理，降低工厂或者工地的人员行为监管成本，加强生产作业区域安全防护。
YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
对于模型重参数化，该研究使用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略，并提出了有计划的重参数化模型。此外，研究者发现使用动态标签分配技术时，具有多个输出层的模型在训练时会产生新的问题：「如何为不同分支的输出分配动态目标？」针对这个问题，研究者提出了一种新的标签分配方法，称为从粗粒度到细粒度（coarse-to-fine）的引导式标签分配。
随着社会的发展和人们生活水平的进步，大家对于工厂、工地、园区以及加油站安全生产作业 也更加啊日益重视。而像厂区/工地/加油站/园区目前应用的传统视频监控需要后台有人工长时间盯着屏幕，长时间的工作盯着数十个甚至更多的屏幕，容易导致后台工作人员注意力下降，眼睛疲劳。以至于无法在违规行为和危险事件发生时有效处理。抽烟打电话行为识别系统极大提升厂区/工地/作业监控区域的人员行为和安全作业管控效率，避免厂区/工地/人员违规行为意外事故的发生。
# From Mr. Dinosaur
import os
def listdir(path, list_name): # 传入存储的list
for file in os.listdir(path):
file_path = os.path.join(path, file)
if os.path.isdir(file_path):
listdir(file_path, list_name)
else:
list_name.append(file_path)
list_name = []
path = 'D:/PythonProject/data/' # 文件夹路径
listdir(path, list_name)
print(list_name)
with open('./list.txt', 'w') as f: # 要存入的txt
write = ''
for i in list_name:
write = write + str(i) + '\n'
f.write(write)抽烟打电话行为识别系统通过计算机深度视觉学习技术如果发现厂区/工地/加油站/园区监控画面中的异常情况，抽烟打电话行为识别系统立即抓拍违规行为和危险情况及时向后台监控大数据平台发出警报信息。抽烟打电话行为识别系统全天24小时不间断自动识别现场违规行为有效避免潜在安全事故，提高多点位监管效率，防止因疏忽造成的意外事故。
