基于 YOLOv8 的森林火灾检测系统

本项目是一套基于YOLOv8的森林火灾检测系统以Fire and Smoke 火焰烟雾检测数据集为数据基础面向火焰与烟雾两类目标完成模型训练、评估与系统应用。系统提供Web 端和 PyQt6 桌面端支持图片、视频和摄像头输入并集成结果查看、历史查询、模型管理与训练指标展示适用于项目设计、课程实践和答辩展示。一、项目简介面向森林及其他复杂背景中的火焰、烟雾检测使用双类别图像与目标框标注训练模型。系统提供目标定位、置信度分布、批量任务、视频采样、模型管理与历史回查便于结合原图复核检测结果。组成项目内容数据集Fire and Smoke 火焰烟雾检测数据集模型YOLOv8n识别任务火焰与烟雾两类目标实验资料训练参数、日志、权重与已有图表应用端桌面界面与浏览器操作界面二、系统功能设计2.1 登录与功能入口系统提供登录与注册侧栏组织图片、批量、视频、摄像头、历史、模型和指标页面账号分别保存任务及结果。2.2 图片检测与置信度分布单图支持缩放、类别筛选和目标定位分别统计火焰与烟雾列出坐标、尺寸、面积等明细并展示置信度分布。置信度是模型预测分数不能解释为火灾发生概率。2.3 批量检测支持多图和文件夹导入显示进度、取消状态、逐图筛选与详情。可导出汇总 CSV、完整目标明细 CSV 和标注图片 ZIP便于整理一批图像。2.4 视频与摄像头视频模块对采样帧调用模型展示处理进度、趋势和类别统计并生成标注视频。摄像头提供设备与采样控制。视频示例使用图片序列累计检出次数按采样帧相加。2.5 历史查询与结果保留历史支持查询、删除和 CSV 导出。取消任务时保留已经完成的结果统计与明细长期保存方便回查处理过程。2.6 模型与训练指标模型页集中展示既有火焰烟雾权重与推理参数指标页读取真实日志展示损失、Precision、Recall 与 mAP并区分最高轮次和最后一轮。三、技术栈类别技术及用途编程语言Python、JavaScript深度学习框架PyTorch模型训练与推理Ultralytics YOLOv8桌面界面PyQt6Web 服务FastAPIWeb 前端HTML、CSS、JavaScript图像与视频处理OpenCV、NumPy训练日志与离线绘图MatplotlibCSV 训练记录结果保存Web 独立目录中的账号、任务、历史与结果文件四、项目结构项目将训练代码、界面、模型产物和 Web 服务分别组织主要目录如下c128/ ├─ data/ ├─ douyin_article.md ├─ login_window.py ├─ main.py ├─ main_window.py ├─ models/ ├─ pages/ ├─ README.md ├─ requirements.txt ├─ runs/ ├─ train_yolo.py ├─ utils/ └─ web/ ├─ backend/ # 服务接口与推理任务 ├─ frontend/ # 页面与交互 └─ data/ # Web 独立运行数据本文对应的训练日志位于runs/train/fire_detection_20260201_191621/results.csv。 数据集按实际配置定位浏览器端的运行结果独立保存在 Web 数据目录。五、数据集说明5.1 数据集与识别任务项目使用Fire and Smoke 火焰烟雾检测数据集面向火焰与烟雾两类目标。每个目标由类别与边界框共同描述模型输出位置及对应预测分数。5.2 数据规模与划分以下数量按当前本机配套数据目录统计所列划分对应本项目的数据组织。数据划分图像数量训练集6,900验证集862测试集863合计8,6255.3 类别与标注格式类别编号类别名称中文含义0Fire火焰1Smoke烟雾YOLO 标注按每行一个目标组织class_id center_x center_y width height中心点坐标与宽高采用相对图像尺寸的归一化值图像与 TXT 标注按文件名对应。六、模型训练过程6.1 训练流程训练代码由train_yolo.py组织先读取图像、类别与划分再加载预训练模型进行训练并保留逐轮日志与已有权重。按当前数据目录读取图像及对应标签。将输入调整为实验配置的尺寸并应用训练预处理。加载基础模型在对应类别上进行训练。在验证阶段计算指标并保存日志及权重。使用已有训练图表分析结果并在系统中加载权重开展推理。6.2 模型与训练参数参数本次记录基础模型YOLOv8n配置轮数100日志实际轮数100输入尺寸640 × 640Batch Size16优化器配置SGD预热轮数3.0DataLoader Workers8日志最后一行累计耗时为5,266.95 秒约 87.8 分钟。 数据增强与学习率调度以本次参数记录和逐轮 CSV 为准配置值与实际日志中的学习率分别读取。6.3 训练产物args.yaml本次实验参数。results.csv每一轮损失、检测指标和学习率。weights/已保存的模型权重。训练图表原始产物中的曲线、分布或评估图见第八节。七、训练结果与核心指标7.1 最后一轮结果以下为当前实验 CSV 的第100 轮验证结果指标日志数值百分比Precision0.811781.170%Recall0.7814878.148%mAP0.50.8517785.177%mAP0.5:0.950.6071560.715%7.2 各指标最高值指标最高值对应轮次Precision0.82415第 85 轮Recall0.79734第 68 轮mAP0.50.85216第 97 轮mAP0.5:0.950.60747第 95 轮单项峰值可能出现在不同轮次末轮表用于查看同一轮完整结果峰值表用于查看各指标在本次训练中的最高记录。7.3 结果分析火焰、烟雾在颜色、透明度和边界形态上差异较大。可结合定位指标与置信度分布复核预测区域并对复杂背景和不同目标尺度开展同划分对照。八、可视化图表说明以下图片直接采用源码目录已有的训练产物保留原始图表内容与数值。8.1 训练与验证损失展示图中对应的损失项随训练轮次的变化结合训练与验证结果观察拟合情况。8.2 检测指标变化展示对应检测指标随训练轮次的变化数值与本文列出的原始 CSV 结果按同一实验读取。8.3 训练结果总览集中展示训练过程中的多项损失和评测指标便于结合完整实验查看收敛变化。本项目为个人原创项目配套源码、模型权重、训练资料和项目说明可用于毕业设计、课程实践、简历展示及个人学习。有项目成品或定制需求可以通过主页联系作者。