基于yolo8的火焰烟雾检测
前言
- 仓库、商场、楼道和森林等场所都装有监控摄像头,但火情往往要等值班人员看到画面、或者烟感报警器响起才被发现。
- 本文介绍一种基于 YOLO8 的火焰烟雾检测方法:输入一张监控图片或一段视频,模型框出画面中的火焰和烟雾,并给出置信度。
- 模型可识别 2 类目标:火焰(Fire)和烟雾(smoke)。在此基础上,脚本可以直接回答“这张图里有没有火焰”“有没有烟雾”,方便接入报警系统。
- 本项目只根据画面判断是否出现火焰和烟雾,不判断火势大小和起火原因,也不能代替消防报警设备。
- 整体流程主要分为两步。
- 第一步:准备标注了火焰和烟雾位置的监控画面,以 YOLO8 预训练权重为起点进行微调训练。
- 第二步:加载训练好的
best.pt,对指定图片或视频进行检测,统计火焰和烟雾的数量。
介绍
第一步:火焰烟雾检测模型训练
YOLO8 环境配置
- 项目使用 Python 开发,模型训练和推理由 Ultralytics 完成。
- 依赖安装命令如下:
pip install ultralytics
数据集准备与处理
- 项目使用 Roboflow 上公开的火灾监控数据集(fire-wrpgm,第 8 版),共 979 张图片,统一缩放为 608×608,分为训练集、验证集和测试集。
- 图片大多截取自监控录像,包括商店、ATM 大厅等室内外场景。
- 标注采用 YOLO 目标检测格式,每条标注包含类别编号、归一化的中心点坐标、宽度和高度。
- 数据集中还有一类“正常画面”(default),框住的是没有火焰和烟雾的整张监控图片,作为反例帮助模型减少误报。
- 一张图片中可能有多处火焰或烟雾,所以下表统计的是标注框数量,不是图片数量。
类别编号:0;英文类别:Fire;中文含义:火焰;训练集:331;验证集:18;测试集:35;合计:384
类别编号:1;英文类别:default;中文含义:正常画面;训练集:160;验证集:0;测试集:0;合计:160
类别编号:2;英文类别:smoke;中文含义:烟雾;训练集:481;验证集:30;测试集:22;合计:533
类别编号:合计;英文类别:—;中文含义:—;训练集:972;验证集:48;测试集:57;合计:1,077
训练目标检测模型
- 项目使用
yolov8s.pt作为初始权重,在火灾监控画面上进行微调,训练 25 轮,输入尺寸为 800。 - 烟雾边缘模糊,早期的小火苗在画面中也很小,把输入尺寸从默认的 640 调大到 800,可以保留更多细节。
- 在项目根目录运行
train.bat或train1.py即可开始训练,最佳权重保存在runs/detect/train/weights/best.pt。
训练结果评估
- 精确率表示模型画出的框中,判断正确的比例;召回率表示所有真实的火焰和烟雾中,被模型找出来的比例。
- mAP50 是检测任务的综合成绩:预测框和真实框重叠超过一半就算对,满分为 1。
- 根据训练记录,
best.pt在验证集的 47 张图片上,精确率为 82.8%,召回率为 87.8%,mAP50 为 0.857。 - 本文又用测试集的 55 张图片验证了
best.pt,结果为:精确率 85.6%,召回率 86.4%,mAP50 为 0.937。其中烟雾的效果最好,mAP50 达到 0.984。
第二步:指定监控图片或视频检测
加载检测权重
predict.py默认加载runs/detect/train/weights/best.pt,也可以在命令行中指定其他权重文件和置信度阈值,默认阈值为 0.25。
使用脚本识别图片
- 在项目根目录执行如下命令,检测指定图片或视频中的火焰和烟雾:
python predict.py smog1.jpg
- 输入可以是一张图片、一段视频,也可以是一个图片文件夹。检测结果画好框后保存在
runs/detect/predict下,命令行会输出火焰和烟雾的数量。 - 以项目自带的
smog1.jpg为例,这是一段室内监控画面,房间里充满了浓烟。模型框出 2 处烟雾,置信度分别为 0.69 和 0.55。 - 换成
fire1.jpg,这是 ATM 大厅角落起火的监控画面。模型在右下角框出了火焰,置信度为 0.26。 - 如果只需要知道“有没有”,可以调用
prediict_all.py中的detect_fire和detect_smoke函数,它们分别返回是否检测到火焰和烟雾。
检测效果与适用范围
- 在 RTX 4050 显卡上,模型处理一张图片约 14 毫秒,可以满足监控视频实时检测的需要。
- 模型适合用于固定机位的室内外监控,在火情初期提醒值班人员查看。实际部署时,最好结合连续多帧的结果再报警,减少偶发的误报。
总结
- 以上就是基于 YOLO8 的火焰烟雾检测项目的主要实现流程:准备标注了火焰和烟雾的监控画面,微调 YOLO8 检测模型,再用最佳权重对图片和视频进行检测。
- 测试集上模型的 mAP50 为 0.937,召回率为 86.4%。
- 后续可以补充夜间、雾天和远距离的火灾画面,扩大数据集规模,进一步提高早期小火苗的识别效果。
- 感兴趣的小伙伴可以联系我.