摘要针对森林火灾早期 detection 中烟雾识别能力强但火焰易漏检与误报的问题本文构建了一种基于 YOLOv8 的红外图像双类别检测系统。系统以 fire 与 smoke 为检测目标数据集共包含 2000 张红外图像其中训练集 1600 张、验证集 200 张、测试集 200 张。实验结果显示模型在烟雾类别上取得 0.972 的 mAP50 与 91.5% 的召回率表现出极高的灵敏度和可靠性但火焰类别 mAP50 仅为 0.679召回率 58.5%且归一化混淆矩阵显示 65% 的火焰预测为误报。整体 mAP50 为 0.826单张推理速度 4.6ms具备实时部署能力。研究表明当前模型已适合作为烟雾驱动的早期预警系统但火焰检测仍需针对性优化。引言森林火灾具有突发性强、蔓延迅速、破坏力大的特点传统可见光监控易受烟雾、光照和天气影响难以实现全天候早期预警。红外成像技术能够直接感知热源与烟羽温度差异在火灾萌芽阶段提供关键判别信息因此成为近年森林防火研究的热点方向。当前基于深度学习的目标检测方法如 YOLO 系列在通用目标检测任务中表现出色但直接迁移至红外火灾场景仍面临三个核心挑战一是火焰与背景热源如地面反光、尾气、阳光反射视觉特征相似极易产生误报二是烟雾在红外图像中表现为半透明、低对比度区域对小目标检测能力要求高三是火与烟在实际场景中常共现或时序先后出现容易造成类别混淆。目录摘要引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍1. 类别与标注2. 数据规模训练过程训练结果整体性能概览编辑各类别检测性能分析编辑编辑编辑烟雾smoke—— 优秀火焰fire—— 明显偏弱混淆矩阵分析关键问题原始混淆矩阵编辑归一化混淆矩阵编辑曲线与训练过程分析编辑常用标注工具功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景传统森林火灾监测手段主要包括卫星遥感、地面巡逻与可见光视频监控。卫星遥感存在时间分辨率低、响应滞后等问题可见光相机在夜间、雨雾或浓烟环境下几乎失效。相比之下红外热成像对温度敏感可在能见度极低条件下稳定工作且能捕捉火源周围的热辐射异常是构建 24 小时无人值守防火系统的理想传感器。近年来YOLO 系列模型因其端到端、高效率的特点被逐步引入火灾检测任务。然而现有研究大多集中于可见光火焰识别或仅将红外图像作为输入未做针对性改进。实际红外火灾数据集中存在类别不平衡烟雾样本远少于火焰样本、目标尺度变化大、背景干扰复杂等问题导致模型容易出现“重烟雾、轻火焰”的性能偏差。本系统基于 YOLOv8 框架采用真实红外森林场景数据系统评估了两类目标的检测性能。通过分析混淆矩阵、PR 曲线与 mAP 指标明确定位了火焰误报率高、召回率低的瓶颈为后续引入多阈值决策、时序逻辑或生成更多火焰负样本提供了明确方向。数据集介绍1. 类别与标注类别数量2 类类别名称[fire, smoke]标注格式YOLO 格式边界框x_center, y_center, width, height归一化坐标2. 数据规模数据集图像数量训练集1600 张验证集200张测试集200 张合计2000 张训练过程训练结果整体性能概览模型规模168 层1112 万参数28.4 GFLOPs ——轻量级适合边缘计算或红外视频流实时检测。整体 mAP500.826不错但主要靠 smoke 拉高整体 mAP50-950.518表明定位精度一般边界框不够紧致推理速度4.6ms / 张约 217 FPS预处理 后处理也在 1ms 内非常适合实时部署各类别检测性能分析类别样本数PrecisionRecallmAP50mAP50-95fire4870.7310.5850.6790.436smoke470.8970.9150.9720.600烟雾smoke——优秀召回率 91.5%mAP50 高达0.972几乎不会漏报精度也高适合作为早期火灾预警的主要信号火焰fire——明显偏弱召回率仅58.5%→ 近一半真实火焰被漏检mAP50 为 0.679远低于烟雾定位精度也较低mAP50-95 仅 0.436混淆矩阵分析关键问题原始混淆矩阵fire → fire315 次正确fire → background144 次误报fire → smoke46 次类别混淆smoke → fire4 次可接受归一化混淆矩阵fire 的假正率极高65% 的预测为 fire 的样本实际上是背景说明模型对“火焰”特征学习不充分曲线与训练过程分析训练 lossbox / cls / dfl 持续下降收敛正常验证 loss同样下降没有明显过拟合mAP50 曲线从 0.5 → 0.82上升平稳mAP50-95 曲线上升缓慢最终 ~0.52说明框的 IOU 能力一般常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码
YOLOv8森林火灾烟雾红外识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要针对森林火灾早期 detection 中烟雾识别能力强但火焰易漏检与误报的问题本文构建了一种基于 YOLOv8 的红外图像双类别检测系统。系统以 fire 与 smoke 为检测目标数据集共包含 2000 张红外图像其中训练集 1600 张、验证集 200 张、测试集 200 张。实验结果显示模型在烟雾类别上取得 0.972 的 mAP50 与 91.5% 的召回率表现出极高的灵敏度和可靠性但火焰类别 mAP50 仅为 0.679召回率 58.5%且归一化混淆矩阵显示 65% 的火焰预测为误报。整体 mAP50 为 0.826单张推理速度 4.6ms具备实时部署能力。研究表明当前模型已适合作为烟雾驱动的早期预警系统但火焰检测仍需针对性优化。引言森林火灾具有突发性强、蔓延迅速、破坏力大的特点传统可见光监控易受烟雾、光照和天气影响难以实现全天候早期预警。红外成像技术能够直接感知热源与烟羽温度差异在火灾萌芽阶段提供关键判别信息因此成为近年森林防火研究的热点方向。当前基于深度学习的目标检测方法如 YOLO 系列在通用目标检测任务中表现出色但直接迁移至红外火灾场景仍面临三个核心挑战一是火焰与背景热源如地面反光、尾气、阳光反射视觉特征相似极易产生误报二是烟雾在红外图像中表现为半透明、低对比度区域对小目标检测能力要求高三是火与烟在实际场景中常共现或时序先后出现容易造成类别混淆。目录摘要引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍1. 类别与标注2. 数据规模训练过程训练结果整体性能概览编辑各类别检测性能分析编辑编辑编辑烟雾smoke—— 优秀火焰fire—— 明显偏弱混淆矩阵分析关键问题原始混淆矩阵编辑归一化混淆矩阵编辑曲线与训练过程分析编辑常用标注工具功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景传统森林火灾监测手段主要包括卫星遥感、地面巡逻与可见光视频监控。卫星遥感存在时间分辨率低、响应滞后等问题可见光相机在夜间、雨雾或浓烟环境下几乎失效。相比之下红外热成像对温度敏感可在能见度极低条件下稳定工作且能捕捉火源周围的热辐射异常是构建 24 小时无人值守防火系统的理想传感器。近年来YOLO 系列模型因其端到端、高效率的特点被逐步引入火灾检测任务。然而现有研究大多集中于可见光火焰识别或仅将红外图像作为输入未做针对性改进。实际红外火灾数据集中存在类别不平衡烟雾样本远少于火焰样本、目标尺度变化大、背景干扰复杂等问题导致模型容易出现“重烟雾、轻火焰”的性能偏差。本系统基于 YOLOv8 框架采用真实红外森林场景数据系统评估了两类目标的检测性能。通过分析混淆矩阵、PR 曲线与 mAP 指标明确定位了火焰误报率高、召回率低的瓶颈为后续引入多阈值决策、时序逻辑或生成更多火焰负样本提供了明确方向。数据集介绍1. 类别与标注类别数量2 类类别名称[fire, smoke]标注格式YOLO 格式边界框x_center, y_center, width, height归一化坐标2. 数据规模数据集图像数量训练集1600 张验证集200张测试集200 张合计2000 张训练过程训练结果整体性能概览模型规模168 层1112 万参数28.4 GFLOPs ——轻量级适合边缘计算或红外视频流实时检测。整体 mAP500.826不错但主要靠 smoke 拉高整体 mAP50-950.518表明定位精度一般边界框不够紧致推理速度4.6ms / 张约 217 FPS预处理 后处理也在 1ms 内非常适合实时部署各类别检测性能分析类别样本数PrecisionRecallmAP50mAP50-95fire4870.7310.5850.6790.436smoke470.8970.9150.9720.600烟雾smoke——优秀召回率 91.5%mAP50 高达0.972几乎不会漏报精度也高适合作为早期火灾预警的主要信号火焰fire——明显偏弱召回率仅58.5%→ 近一半真实火焰被漏检mAP50 为 0.679远低于烟雾定位精度也较低mAP50-95 仅 0.436混淆矩阵分析关键问题原始混淆矩阵fire → fire315 次正确fire → background144 次误报fire → smoke46 次类别混淆smoke → fire4 次可接受归一化混淆矩阵fire 的假正率极高65% 的预测为 fire 的样本实际上是背景说明模型对“火焰”特征学习不充分曲线与训练过程分析训练 lossbox / cls / dfl 持续下降收敛正常验证 loss同样下降没有明显过拟合mAP50 曲线从 0.5 → 0.82上升平稳mAP50-95 曲线上升缓慢最终 ~0.52说明框的 IOU 能力一般常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码
