企业官网建设流程全解析

简介：本资源面向计算机视觉与深度学习方向的开发者、学生及安防算法研究人员，提供一套完整的火灾烟火烟雾检测数据集与YOLOv5训练模型，可用于目标检测模型训练、算法验证及课程设计。数据集覆盖大火小火、建筑草原森林起火、车辆起火、昼夜与室内外等多种场景，烟雾场景与火焰保持一致，标注格式为Pascal VOC，含2059张图像及对应XML标签，标签类别为fire。压缩包共332个文件，约200.15MB，包含C/C++源码、Python脚本、YAML配置、CUDA内核、Shell脚本及权重文件等，并附带使用说明与VOC转YOLO格式的转换脚本，便于快速接入YOLOv5训练流程。目前已有838人学习下载，适合需要真实烟火数据与可复现训练方案的读者参考使用。

1. 火灾烟雾检测数据集与 YOLOv5 模型：从 2059 张图像到可复现的检测方案

火灾烟雾检测这件事，真正卡住大多数人的从来不是模型结构，而是数据。你搜 yolov5 烟雾火灾检测，能翻出一堆论文和开源仓库，但真到自己动手，往往发现公开数据集要么只有几百张、要么标签格式对不上、要么全是实验室摆拍的火苗，拿到真实监控画面里直接翻车。这个标题指向的是一套相对完整的组合：2059 张带标签的火灾烟雾图像，配一份 YOLOv5 训练好的检测模型，再加一份使用说明。它解决的是从零搭建烟雾检测系统时最耗时的两件事——找数据、标数据。适合谁？做安防监控二次开发的、做园区/仓库/森林防火预警原型的、以及想拿一个真实场景数据集练 YOLOv5 全流程的工程师。2059 张不算大，但足够跑通训练、验证、部署这条链路，也能让你看清烟雾检测和常规目标检测的差别到底在哪。

2. 烟雾火灾数据集长什么样：标签结构、类别分布与选型判断

2.1 2059 张图像的构成与标签格式

拿到一个数据集，第一件事不是急着训练，而是把目录结构和标签格式摸清楚。火灾烟雾检测数据集通常按 YOLO 标准组织，图像和标签分开放，标签是每张图对应的.txt文件，一行一个目标，格式为class x_center y_center width height，坐标全部归一化到 0 到 1 之间。2059 张这个量级，常见做法是训练集、验证集按 8:2 或 9:1 切分，也可能已经切好放在images/train、images/val这样的子目录里。

先跑一段脚本把数据集的真实情况统计出来，别信任何说明文档里的描述，自己数一遍最靠谱：

import os from collections import Counter from pathlib import Path # 数据集根目录，按实际路径改 root = Path("fire_smoke_dataset") img_dir = root / "images" lbl_dir = root / "labels" class_names = ["fire", "smoke"] # 类别名按 data.yaml 里的顺序填 counter = Counter() img_count = 0 empty_label = 0 bad_label = 0 for img_path in img_dir.rglob("*"): if img_path.suffix.lower() not in (".jpg", ".jpeg", ".png", ".bmp"): continue img_count += 1 # 标签文件名与图像同名，只换后缀 lbl_path = lbl_dir / img_path.relative_to(img_dir).with_suffix(".txt") if not lbl_path.exists(): empty_label += 1 continue with open(lbl_path, "r") as f: lines = [ln.strip() for ln in f if ln.strip()] if not lines: empty_label += 1 continue for ln in lines: parts = ln.split() if len(parts) != 5: bad_label += 1 continue cls_id = int(float(parts[0])) counter[cls_id] += 1 print(f"图像总数: {img_count}") print(f"无标签或空标签图像: {empty_label}") print(f"格式异常标签行: {bad_label}") for cid, cnt in sorted(counter.items()): name = class_names[cid] if cid < len(class_names) else f"未知类别{cid}" print(f"类别 {cid} ({name}): {cnt} 个框")

这段脚本做三件事：统计图像总数、找出没有标签或标签为空的图像、统计每个类别的框数量。参数上，class_names必须和data.yaml里的names顺序严格一致，否则你看到的类别统计会张冠李戴。rglob("*")会递归所有子目录，如果你的数据集已经切好 train/val，这个统计会把两边合在一起，想看单边就把img_dir指到具体子目录。

2.2 火灾和烟雾两类目标的分布陷阱

火灾烟雾检测数据集里，火灾和烟雾的框数量往往严重不均衡。火焰目标边界清晰、颜色饱和，标注起来容易；烟雾是半透明、边界模糊、形态随气流变化的东西，标注一致性差，很多数据集里烟雾框要么偏大要么偏小。2059 张图像如果烟雾框占比明显低于火焰，训练出来的模型会偏向火焰检测，烟雾召回率上不去。

判断是否失衡，看上面脚本输出的两类框数量比值。经验上，如果某一类框数不到另一类的三分之一，就属于明显失衡，需要在训练时用类别权重或者过采样来补。另一个隐蔽问题是同一张图里火焰和烟雾重叠，标注时容易出现框套框，YOLOv5 对这种重叠目标的处理依赖 NMS 的 IoU 阈值，后面调参章节会细说。

提示：先统计再训练。我见过太多人直接开训，跑完发现某一类几乎没检出，回头查才发现那一类在数据集里只有几十个框。

2.3 为什么选 YOLOv5 而不是别的检测器

YOLOv5 在这个场景里被反复选中，理由很实际。第一，它的工程化程度高，数据加载、增强、训练、导出 ONNX 一条龙，配置文件改几行就能跑，不像有些框架要自己写 dataloader。第二，烟雾检测对实时性有要求，YOLOv5s 在普通 GPU 上能跑到几十 FPS，边缘设备上量化后也能用。第三，社区里 YOLOv5 的烟雾火灾案例最多，遇到问题搜得到答案，这对一线落地很重要。

选型上，如果你追求精度且算力够，用 YOLOv5m 或 l；如果要在树莓派、Jetson 这类设备上跑，YOLOv5n 或 s 更合适。2059 张这个数据量，不建议上太大的模型，容易过拟合，s 或 m 是比较稳的起点。

3. 用 YOLOv5 训练烟雾火灾检测模型：环境、配置与训练命令

3.1 环境配置与依赖安装

YOLOv5 的环境配置是新手第一个坎。核心依赖是 PyTorch、torchvision 和一堆工具库。先确认显卡驱动和 CUDA 版本，再装对应版本的 PyTorch，这一步版本对不上后面全是玄学报错。

# 创建独立环境，避免污染系统 Python conda create -n fire_smoke python=3.8 -y conda activate fire_smoke # 按你的 CUDA 版本装 PyTorch，这里以 CUDA 11.3 为例 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 \ --extra-index-url https://download.pytorch.org/whl/cu113 # 克隆 YOLOv5 源码并安装依赖 git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

参数说明：Python 版本建议 3.8 到 3.10，太新或太旧都可能碰到依赖冲突。PyTorch 版本要和 CUDA 驱动匹配，装完用python -c "import torch; print(torch.cuda.is_available())"验证，输出True才算通。requirements.txt里锁了各库版本，别随意升级，尤其是 numpy 和 opencv。

3.2 data.yaml 与模型配置文件的写法

YOLOv5 训练靠两个配置文件：数据集描述文件data.yaml和模型结构文件yolov5s.yaml。data.yaml告诉框架去哪找图、有几类、类名叫什么：

# data.yaml path: ./fire_smoke_dataset # 数据集根目录 train: images/train # 训练集图像相对路径 val: images/val # 验证集图像相对路径 nc: 2 # 类别数 names: ["fire", "smoke"] # 类别名，顺序必须和标签里的 class id 对应

nc和names是最容易出错的地方。nc写错会导致训练时索引越界，names顺序写反会让火焰和烟雾的预测结果对调。模型结构文件一般不用改，用yolov5s.yaml就行，它里面的nc会被data.yaml覆盖。

3.3 训练命令与关键超参数

配置齐了就能开训。下面是一条常用的训练命令，带上了烟雾检测场景里比较关键的几个参数：

python train.py \ --img 640 \ --batch 16 \ --epochs 150 \ --data data.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --hyp data/hyps/hyp.scratch-low.yaml \ --name fire_smoke_s \ --cache

逐个说参数。--img 640是输入分辨率，烟雾目标通常占画面比例不小，640 够用，显存紧张可以降到 512。--batch 16看显存调，8G 显存跑 s 模型 640 分辨率大概能到 16。--epochs 150对 2059 张这个量级偏多，配合早停一般 80 到 120 轮就收敛，设 150 是留余量。--weights yolov5s.pt用预训练权重，小数据集上迁移学习比从头训效果好得多。--hyp指定超参文件，烟雾检测建议用低增强配置，因为烟雾本身形态变化大，过强的色彩和几何增强反而干扰学习。--cache把图像缓存到内存，2059 张不大，开了能明显加快每轮速度。

训练过程中重点看三个指标：mAP@0.5、每一类的precision和recall。烟雾类的 recall 通常比火焰低，如果低太多，回到 2.2 节检查类别失衡。

4. 推理、验证与部署：把训练好的模型跑起来

4.1 用 detect.py 做单张和批量推理

训练完的权重在runs/train/fire_smoke_s/weights/best.pt。先用detect.py验证效果：

# 单张图像推理 python detect.py \ --weights runs/train/fire_smoke_s/weights/best.pt \ --source test_images/fire_01.jpg \ --img 640 \ --conf-thres 0.35 \ --iou-thres 0.45 \ --save-txt # 批量推理整个目录 python detect.py \ --weights runs/train/fire_smoke_s/weights/best.pt \ --source test_images/ \ --conf-thres 0.35 \ --save-txt --save-conf

--conf-thres是置信度阈值，烟雾检测里这个值不能设太高，烟雾特征弱，设 0.5 以上容易漏检，0.3 到 0.4 是常见区间。--iou-thres控制 NMS 的重叠阈值，火焰和烟雾重叠时，这个值设太小会把其中一个框抑制掉，设太大又会留下重复框，0.45 是折中。--save-txt把检测结果存成 YOLO 格式，方便后续做误检分析。

4.2 验证集评估与指标解读

跑val.py拿到量化指标：

python val.py \ --weights runs/train/fire_smoke_s/weights/best.pt \ --data data.yaml \ --img 640 \ --task val \ --save-json

输出里重点看mAP@0.5和mAP@0.5:0.95。前者是 IoU 阈值 0.5 时的平均精度，后者更严格。烟雾检测里mAP@0.5能到 0.7 以上就算可用，mAP@0.5:0.95通常低不少，因为烟雾框的定位精度天然差。如果两个指标差距特别大，说明框的位置回归不准，可以考虑在损失里加大定位项的权重。

4.3 导出 ONNX 与边缘部署

要在非 Python 环境部署，导出 ONNX：

python export.py \ --weights runs/train/fire_smoke_s/weights/best.pt \ --include onnx \ --img 640 \ --batch 1 \ --simplify

--simplify会做图优化，去掉冗余算子，导出的模型更小更快。--batch 1是推理时的批大小，边缘设备一般单张推理。导出后在目标平台上用 ONNX Runtime 或 TensorRT 加载，注意输入预处理要和训练时一致：letterbox 缩放、归一化到 0 到 1、BGR 转 RGB，这几步顺序错了检测结果会完全乱掉。

5. 烟雾火灾检测的避坑与排查：那些让模型失效的细节

5.1 现象：训练 loss 正常下降但验证 mAP 一直很低

原因通常是标签和图像没对齐，或者data.yaml里的路径写错导致验证集加载的是空数据。YOLOv5 在路径错误时不一定报错，而是静默跳过，你看到的低 mAP 其实是模型在瞎猜。解决：用 2.1 节的统计脚本确认验证集图像和标签都能被找到，再检查data.yaml里val路径是相对path还是绝对路径，两种写法混用会出问题。

5.2 现象：火焰检测很准，烟雾几乎检不出

原因是烟雾类样本少或标注质量差。烟雾边界模糊，标注时框往往偏大，模型学到的是"大框=烟雾"这种错误关联。解决：先统计两类框数量，失衡就用--cls权重或者对烟雾样本过采样；再抽查一批烟雾标签，看框是否贴合烟雾主体，偏太大的重新标。另外可以把hyp里的mosaic增强关掉试试，mosaic 拼接会让烟雾形态更碎，有时反而有害。

5.3 现象：模型在测试集上很好，接到监控视频里全是误检

原因是数据集和真实场景的域差异。2059 张图像大概率来自特定场景，而监控画面有逆光、夜间红外、雨雾干扰，这些在训练集里没有。解决：从目标场景里抽几百帧，人工标一部分做微调，哪怕只标 200 张也能明显改善。另外推理时把--conf-thres调高到 0.5 以上先压误检，再逐步往下找召回和误检的平衡点。

5.4 现象：导出 ONNX 后检测结果和 PyTorch 不一致

原因是预处理没对齐。PyTorch 推理时 YOLOv5 内部做了 letterbox 和归一化，导出 ONNX 后这些操作不在图里，需要你在外部代码里手动实现。解决：对照utils/augmentations.py里的letterbox函数，在部署代码里复现同样的缩放和填充逻辑，归一化用img / 255.0，通道顺序确认是 RGB。

5.5 现象：训练到一半显存爆了

原因是--batch设太大或者--img分辨率太高，也可能是--cache把图像全加载进内存后和显存争抢。解决：先把--batch减半，还不行就降--img到 512，--cache改成--cache ram或直接去掉。2059 张图像用 s 模型，8G 显存跑 640 分辨率 batch 16 是安全线。

6. 让烟雾检测真正可用的两个进阶技巧

第一个技巧是分帧投票。监控视频里单帧误检很常见，但连续多帧同一位置都检出烟雾，可信度就高得多。做法是把检测结果按时间窗口聚合，比如 1 秒内 25 帧里有 15 帧在同一区域检出烟雾，才触发告警。这个逻辑不复杂，但能把误报率压下来一大截。实现上，对每帧的检测框做简单的位置聚类，统计每个聚类在窗口内的出现次数，超过阈值才输出。参数上，窗口长度和触发比例要根据场景调，仓库这种烟雾扩散慢的场景窗口可以长一点，开放空间短一点。

第二个技巧是用验证集做阈值扫描，而不是拍脑袋定conf-thres。写个脚本，把置信度阈值从 0.1 扫到 0.9，每个阈值下算一遍 precision 和 recall，画出曲线，选 F1 最高的那个点。烟雾检测里这个最优点往往在 0.3 到 0.45 之间，但具体值取决于你的数据集和场景。我一般会把这个扫描脚本固化下来，每次换数据集或微调模型后都跑一遍，比凭感觉调靠谱得多。

import numpy as np from pathlib import Path # 假设你已经用 val.py --save-json 导出了预测结果 # 这里演示阈值扫描的核心逻辑 def scan_threshold(preds, gts, thresholds=np.arange(0.1, 0.95, 0.05)): results = [] for t in thresholds: tp = fp = fn = 0 for pred, gt in zip(preds, gts): # pred: [[cls, conf, x1, y1, x2, y2], ...] # gt: [[cls, x1, y1, x2, y2], ...] kept = [p for p in pred if p[1] >= t] matched_gt = set() for p in kept: best_iou, best_idx = 0, -1 for i, g in enumerate(gt): if i in matched_gt or g[0] != p[0]: continue iou = compute_iou(p[2:], g[1:]) if iou > best_iou: best_iou, best_idx = iou, i if best_iou >= 0.5: tp += 1 matched_gt.add(best_idx) else: fp += 1 fn += len(gt) - len(matched_gt) precision = tp / (tp + fp + 1e-6) recall = tp / (tp + fn + 1e-6) f1 = 2 * precision * recall / (precision + recall + 1e-6) results.append((t, precision, recall, f1)) return results def compute_iou(box_a, box_b): xa = max(box_a[0], box_b[0]); ya = max(box_a[1], box_b[1]) xb = min(box_a[2], box_b[2]); yb = min(box_a[3], box_b[3]) inter = max(0, xb - xa) * max(0, yb - ya) area_a = (box_a[2]-box_a[0]) * (box_a[3]-box_a[1]) area_b = (box_b[2]-box_b[0]) * (box_b[3]-box_b[1]) return inter / (area_a + area_b - inter + 1e-6)

这段代码的核心是遍历阈值、对每个阈值算 TP/FP/FN、再算 F1。compute_iou是标准 IoU 计算，匹配阈值固定 0.5。实际用的时候把preds和gts换成你从验证集导出的真实数据就行。跑完选 F1 最高的阈值，写进部署配置。

这两个技巧都不复杂，但决定了模型是"能跑"还是"能用"。我自己的习惯是，任何检测模型上线前，先跑一遍阈值扫描，再在真实视频上做分帧投票测试，两步都过了才敢接告警。烟雾检测尤其如此，漏报和误报的代价都不小，多花半天调这两个参数，比事后救火划算。希望帮到你。

本文还有配套的精品资源，点击获取