摘要本文基于YOLOv8目标检测算法构建了一套火焰烟雾检测系统并对两类目标有火/烟、无火/烟进行了训练与评估。实验使用自建数据集共包含训练集248张、验证集77张、测试集42张。实验结果表明模型在测试集上的mAP50达到0.995mAP50-95达到0.86最高精确率与召回率均达到1.00F1分数最高为1.00置信度0.868。从混淆矩阵来看模型对正类有火/烟的检测完全正确但负类无火/烟样本未有效参与训练。总体而言模型在单类检测任务上表现优异具备实际部署潜力。目录摘要功能模块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、数据校验模块引言背景数据集介绍训练过程训练结果1、整体评估模型表现非常出色已高度可用2、详细指标分析​编辑损失函数Loss精确率Precision 召回率Recall​编辑​编辑混淆矩阵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引言火灾是工业、林业、建筑等场所中常见且危害极大的安全事故。传统火焰烟雾检测依赖传感器或人工监控存在响应慢、误报率高、覆盖范围有限等问题。近年来基于深度学习的目标检测技术尤其是YOLO系列算法因其端到端、高实时性、高精度等优势已成为火灾智能预警系统的重要技术路径。本研究采用YOLOv8算法针对火焰和烟雾两类目标进行检测。通过构建包含248张训练图像、77张验证图像和42张测试图像的小规模数据集对模型进行了完整的训练与评估。实验重点关注模型的检测精度、召回率、混淆矩阵及损失收敛情况以验证YOLOv8在实际火灾检测任务中的可行性与局限性。背景火焰和烟雾检测是智能安防与消防预警系统中的核心任务。传统检测手段主要包括感烟传感器、感温传感器、红外对射探测器等。这些设备虽然可靠性较高但在大空间、开放环境或室外场景中存在以下显著不足响应延迟明显烟雾或温度需要扩散至传感器位置才能触发报警无法实现早期火灾识别。误报与漏报并存环境灰尘、水蒸气、温度变化等容易引起误报而某些缓慢阴燃火灾则难以被及时探测。缺乏空间定位能力传统传感器只能报警无法提供火灾发生的具体位置或燃烧规模。维护成本高传感器需要定期校准、更换且受安装位置限制。随着计算机视觉与深度学习技术的快速发展基于视频图像的火焰烟雾检测逐渐成为研究热点。相比于传统方法视觉检测具有以下优势响应速度快可在火焰或烟雾出现的数秒内完成识别空间信息丰富可同时输出目标位置、大小、置信度可复用现有监控系统无需额外硬件投入适应复杂场景能够区分真实火灾与光照、蒸汽等干扰。在众多目标检测算法中YOLO系列以其单阶段结构、高帧率检测、良好精度成为工业部署的首选。YOLOv8进一步改进了骨干网络、损失函数和标签分配策略在小目标检测和类别不均衡问题上表现更优。因此本研究基于YOLOv8构建火焰烟雾检测系统旨在验证其在真实场景下的检测能力并为后续嵌入式或边缘端部署提供参考。数据集介绍本实验所使用的数据集为自建的花生种子霉变检测数据集为后续迁移至火焰烟雾检测任务提供了模型训练基础。数据集共包含两类目标with mold有霉变对应火焰或烟雾正类目标without mold无霉变对应负类目标正常场景数据集划分如下数据集类型图像数量训练集248 张验证集77 张测试集42 张训练过程训练结果1、整体评估模型表现非常出色已高度可用mAP50 0.995“有霉变”和“无霉变”两类均为0.995mAP50-95 0.86Precision 1.00最高点Recall 1.00最高点F1分数最高点 1.00置信度0.868说明模型在测试集上几乎做到了完美分类与定位。2、详细指标分析损失函数Losstrain/box_loss、train/cls_loss、train/dfl_loss随epoch稳步下降val/box_loss、val/cls_loss、val/dfl_loss同样下降且未出现明显上升无过拟合训练稳定精确率Precision 召回率RecallP曲线显示置信度 0.9 时精确率仍接近1.0R曲线显示几乎所有正样本都被召回PR曲线面积接近1混淆矩阵原始混淆矩阵显示真实 \ 预测有霉变无霉变背景有霉变282500无霉变000背景000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