文章前瞻：优质数据集与检测系统精选

点击链接：更多数据集与系统目录清单

一、火灾烟雾数据集介绍

【数据集】YOLOv8火情、烟火、火灾检测数据集 9848 张，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。

数据集中包含2种分类：{'0': 'fire', '1': 'smoke'}，分别是‘火焰’和‘烟雾’。

检测场景为森林、街道车辆、医院、商场、机场、车站、办公大楼、施工地等区域，可用于智慧城市、智慧园区、智慧工业、森林防火、园区防火、街道防火等。

数据集当中包含负样本，用于区分普通烟雾和火灾、火场烟雾。

文章底部名片或主页私信获取数据集和系统~

​

​

​

一、数据概述

烟雾和火灾检测的重要性

政务中心、数据中心、工业园区等公共场所的安全管理面临着越来越多的挑战，特别是火灾安全隐患。一旦发生火灾，将造成重大的人员伤亡和财产损失。因此，开发一种高效、准确、实时的火灾检测系统显得尤为重要。基于YOLO的烟雾和火灾检测系统能够实时地监测监控视频或图像，准确地识别出烟雾和明火等火灾隐患，并发出警报，为火灾的及时发现和处置提供有力支持。

实现原理

基于YOLO的烟雾和火灾检测算法利用卷积神经网络提取图像中的特征，并通过单次前向传播预测图像中是否存在烟雾和火焰。算法首先将图像划分为网格单元，然后为每个网格单元分配多个锚框，通过预测每个锚框的置信度和偏移量来确定图像中是否存在烟雾和火焰以及其位置。

基于YOLO的烟雾火灾检测算法

基于YOLO实现烟雾和火灾检测这一目标检测算法的原理主要依赖于YOLO算法的核心思想和技术特点。通过图像分割与网格划分、边界框预测、类别概率预测以及非极大值抑制等步骤，YOLO算法能够高效地实现烟雾和火灾的检测任务。同时，YOLO算法的实时性、准确性、端到端训练以及可扩展性等特点也为该算法在烟雾和火灾检测领域的应用提供了有力支持。

该数据集含有9848张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试森林、街道车辆、医院、商场、机场、车站、办公大楼、施工地等区域的火灾和烟雾情况。

图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

二、数据集文件结构

fire_smoke/

——test/

————Annotations/

————images/

————labels/

——train/

————Annotations/

————images/

————labels/

——valid/

————Annotations/

————images/

————labels/

——data.yaml

• 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
• Annotations文件夹为Pascal VOC格式的XML文件 ；
• images文件夹为jpg格式的数据样本；
• labels文件夹是YOLO格式的TXT文件；
• data.yaml是数据集配置文件，包含烟雾和火灾检测的目标分类和加载路径。

​​

​

​

​

Annotations目录下的xml文件内容如下：

<annotation>
	<folder></folder>
	<filename>13_jpg.rf.995d1c8c9fbc933312db34738ebed974.jpg</filename>
	<path>13_jpg.rf.995d1c8c9fbc933312db34738ebed974.jpg</path>
	<source>
		<database>fire-smoke</database>
	</source>
	<size>
		<width>640</width>
		<height>640</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>Fire</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>143</xmin>
			<xmax>223</xmax>
			<ymin>105</ymin>
			<ymax>345</ymax>
		</bndbox>
	</object>
	<object>
		<name>Smoke</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>5</xmin>
			<xmax>217</xmax>
			<ymin>107</ymin>
			<ymax>471</ymax>
		</bndbox>
	</object>
	<object>
		<name>Fire</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>221</xmin>
			<xmax>331</xmax>
			<ymin>237</ymin>
			<ymax>475</ymax>
		</bndbox>
	</object>
	<object>
		<name>Fire</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>427</xmin>
			<xmax>553</xmax>
			<ymin>361</ymin>
			<ymax>497</ymax>
		</bndbox>
	</object>
	<object>
		<name>Fire</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>443</xmin>
			<xmax>591</xmax>
			<ymin>61</ymin>
			<ymax>323</ymax>
		</bndbox>
	</object>
	<metadata>
		<tags>
			<tag>fire_dataset</tag>
		</tags>
	</metadata>
</annotation>

 labels目录下的txt文件内容如下：

0 0.2890625 0.36328125 0.21875 0.408859375
0 0.9401093749999999 0.592453125 0.119796875 0.3359375
1 0.493484375 0.25129687500000003 0.9869843749999999 0.502609375

三、数据集适用范围 

• 目标检测场景，无人机检测或监控识别
• yolo训练模型或其他模型
• 森林、街道车辆、医院、商场、机场、车站、办公大楼、施工地等区域的烟雾和火灾检测
• 智慧城市、智慧园区、智慧工业、森林防火、园区防火、街道防火等

四、数据集标注结果 

​​​​

​​

​​

1、数据集内容 

1. 多角度场景：包含无人机视角、监控视角、行人拍摄视角等；
2. 标注内容：names: ['fire', 'smoke']，总计2个分类；
3. 负样本：数据集当中含有负样本数据，方便模型进行火场烟雾和普通烟雾的区分识别；
4. 图片总量：9848张图片数据；
5. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

五、训练过程

1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​​​​

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

整体项目结构如下所示：

​​

2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

• 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

• 它打开XML文件，解析树结构，提取图像的宽度和高度。

• 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

• 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

• 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['Fire', 'Smoke'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text),
             float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

4、修改数据集配置文件

在ultralytics-main目录下创建一个wheat.yaml文件

train: data/train.txt
val: data/val.txt
test: data/test.txt

nc: 2
names: ['Fire', 'Smoke']

5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='wheat.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=wheat.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

6、模型预测 

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径

# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) 

# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)

# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        # results = model(frame)
        results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)

        results[0].names[0] = "火灾烟雾"
        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Write the annotated frame to the output file
        out.write(annotated_frame)

        # Display the annotated frame (optional)
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

图片推理，代码如下：

import warnings

warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('models/best.pt')
    model.predict(source='test_pic',
                  imgsz=640,
                  save=True,
                  conf=0.25
                  )

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

yolo predict model="best.pt" source='demo.jpg'

六、获取数据集 

文章底部名片或主页私信获取数据集或检测系统~

二、YOLO火灾烟雾检测系统

1、功能介绍

1. 模型管理

支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。

2. 图片检测

    - 支持上传本地图片文件，自动完成格式校验。

    - 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。

    - 检测结果可下载保存。

3. 视频检测与实时流

    - 支持上传本地视频文件，自动完成格式校验。

    - 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。

    - 支持摄像头实时检测（如有接入摄像头）。

4. 置信度阈值调节

    - 前端可实时调整检测置信度阈值，动态影响检测结果。

    - 阈值调整后，后端推理自动应用新阈值，无需重启。

5. 日志与状态反馈

    - 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。

    - 检测异常、错误信息及时反馈，便于排查。

    - 一键清空日志，笔面长期占用内存。

 ​​​​  

2、创建环境并安装依赖：

conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt

3、启动项目

python app.py

打开浏览器访问：http://localhost:5000

4、效果展示

4.1、推理效果

以武器刀具识别为例，效果如下：

4.2、日志文本框

4.3、摄像头检测

5、前端核心页面代码

<!doctype html>
<html lang="zh-CN">

<head>
    <meta charset="utf-8">
    <meta name="viewport" content="width=device-width,initial-scale=1">
    <title>视觉检测系统 - Web UI</title>
    <link rel="stylesheet" href="/static/style.css">
    <link rel="icon" href="/favicon.ico">
</head>

<body>
    <div class="container main-flex">
        <!-- 左侧内容区 -->
        <div class="left-content">
            <header>
                <h1>YOLO火灾烟雾检测系统</h1>
                <div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div>
            </header>
            <main>
                <div class="videoPanel">
                    <div class="pane">
                        <h3>原图 / 视频</h3>
                        <div class="preview" id="srcPreview">预览区</div>
                    </div>
                    <div class="pane">
                        <h3>检测结果</h3>
                        <div class="preview" id="detPreview">检测结果</div>
                    </div>
                </div>
                <section class="logArea">
                    <div class="logHeader">
                        <h3>日志</h3>
                    </div>
                    <div class="logInner">
                        <div id="logs" class="logs"></div>
                    </div>
                </section>
            </main>
        </div>
        <!-- 右侧按钮栏 -->
        <aside class="right-bar">
            <!-- 1. 模型上传/加载区 -->
            <section class="model-section">
                <button id="uploadModelBtn" class="ghost">上传模型
                    <input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件">
                </button>
                <button id="loadModel">加载模型</button>
            </section>

            <!-- 2. 检测方式选择区 -->
            <section class="detect-mode-section">
                <div class="detect-mode-title">请选择检测方式</div>
                <div class="detect-mode-radio-group">
                    <label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
                    <label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
                </div>
                <div id="detectModeUpload" class="detect-mode-panel">
                    <div class="uploaded-file-name">
                        <span id="uploadedFileName" class="placeholder">未选择文件</span>
                    </div>
                    <div style="height: 22px;"></div>
                    <button id="uploadBtn">上传文件
                        <input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频">
                    </button>
                </div>
                <div id="detectModeCamera" class="detect-mode-panel" style="display:none;">
                    <button id="cameraDetectBtn" class="ghost">开启摄像头</button>
                    <div id="cameraPreview" class="camera-preview">
                        <video id="localCameraVideo" autoplay muted playsinline></video>
                        <div class="camera-controls">
                            <button id="stopCameraBtn" class="ghost">关闭摄像头</button>
                        </div>
                    </div>
                </div>
                <div class="confWrap">
                    <label class="conf">置信度
                        <input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5">
                        <input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5">
                    </label>
                </div>
            </section>

            <!-- 3. 操作按钮区 -->
            <section class="action-btn-section">
                <button id="startBtn" disabled class="start">开始检测</button>
                <button id="stopBtn" disabled class="stop">停止</button>
                <button id="clearLogs" class="ghost">清空日志</button>
            </section>
        </aside>
    </div>
    <script src="/static/app.js"></script>
</body>

</html>

6、代码获取

文章底部名片或私信获取系统源码和数据集~

更多数据集请查看置顶博文。

以上内容均为原创。