基于深度学习的火焰|烟雾|火灾识别系统（YOLO）

项目获取地址：https://mbd.pub/o/bread/YZWVlJ9vZg==

项目视频

项目获取地址： https://mbd.pub/o/bread/YZWVlJ9vZg==

项目概述

本项目是一个基于YOLOv8目标检测算法的火焰烟雾检测系统。该系统能够实时检测图片和视频中的火焰和烟雾，为火灾预警提供技术支持。

主要功能

• 🔥 实时检测：支持图片和视频中的火焰、烟雾检测
• 🎯 高精度定位：准确标记火焰和烟雾的位置
• 🚀 快速响应：GPU加速支持，实现实时检测
• 👀 可视化界面：基于PyQt6的友好操作界面

技术特点

• 采用YOLOv8最新版本作为检测算法
• 支持GPU/CPU双模式运行
• 多线程处理保证界面流畅
• 模块化设计，易于扩展

系统架构

整体架构

系统采用模块化设计，主要包含以下几个核心模块：

1. 训练模块（train.py）：

   • 数据加载和预处理
   • 模型训练和验证
   • 参数优化
   • 训练过程监控

2. 检测模块（detect.py）：

   • 图像预处理
   • 目标检测和定位
   • 结果后处理
   • 可视化输出

3. 界面模块（main.py）：

   • 训练参数配置
   • 检测任务控制
   • 实时结果显示
   • 进度状态反馈

数据流

算法原理

YOLOv8特点

1. 网络结构：

   • 主干网络：CSPDarknet
   • 特征金字塔：PANet
   • 检测头：Decoupled Head

2. 核心改进：

   • 引入注意力机制
   • 优化损失函数
   • 改进训练策略
   • 增强数据增强

检测流程

1. 输入处理：

   • 图像缩放
   • 数据归一化
   • 批次处理

2. 特征提取：

   • 多尺度特征
   • 特征融合
   • 空间注意力

3. 目标检测：

   • 生成预测框
   • 置信度计算
   • 非极大值抑制

数据集说明

数据结构

datasets/
├── train/  # 训练集（277张）
├── val/    # 验证集（77张）
└── test/   # 测试集（37张）

数据分布

• 总样本数：391张
• 训练集占比：70.8%
• 验证集占比：19.7%
• 测试集占比：9.5%

标注格式

采用YOLO格式：

<class_id> <x_center> <y_center> <width> <height>

• class_id: 类别ID（0:火焰，1:烟雾）
• x_center, y_center: 目标中心点坐标（归一化到0-1）
• width, height: 目标框宽高（归一化到0-1）

代码结构

核心文件

project/
├── train.py      # 训练模块
├── detect.py     # 检测模块
├── main.py       # 界面模块
└── requirements.txt

依赖配置

ultralytics==8.3.162
torch==2.1.2+cu118
opencv-python>=4.8.0
PyQt6>=6.4.0

实现细节

训练模块实现

def train(self, epochs=100, imgsz=640, batch_size=16):
    self.model.train(
        data=self.data_yaml,
        epochs=epochs,
        imgsz=imgsz,
        batch=batch_size,
        device=device
    )

检测模块实现

def detect_image(self, image_path, conf_thres=0.25):
    results = self.model.predict(
        image_path,
        conf=conf_thres
    )[0]
    return results

使用说明

环境配置

1. 克隆项目

git clone <project_url>
cd fire-smoke-detection

2. 安装依赖

pip install -r requirements.txt

3. 准备数据
   • 下载数据集
   • 整理数据结构
   • 检查标注文件

使用步骤

1. 启动程序

python main.py

2. 模型训练

   • 设置训练参数
   • 选择训练设备
   • 开始训练

3. 目标检测

   • 加载模型
   • 选择图片/视频
   • 执行检测

性能评估

训练指标

指标	初始值	最终值
box_loss	2.25	0.85
cls_loss	3.74	0.62
mAP50	5.5%	35.9%
mAP50-95	2.1%	11.1%

检测性能

设备	FPS	准确率
GPU	~30	>85%
CPU	~5	>85%