摘要本文基于YOLOv8目标检测算法构建了一套森林火焰与烟雾检测系统。数据集共包含2604张标注图像其中训练集2083张、验证集260张、测试集261张目标类别为火焰fire与烟雾smoke。实验结果表明模型在验证集上的mAP0.5达到0.70mAP0.5:0.95约为0.72。混淆矩阵分析显示火焰类的真正例率为0.64烟雾类为0.69但两类均存在较明显的背景误检与漏检问题。F1曲线显示最佳F1值为0.65置信度阈值0.318PR曲线给出的烟雾AP为0.707火焰AP为0.629。总体而言该系统对火焰和烟雾具有初步检测能力但仍需在降低背景干扰、提升烟雾召回率方面进一步优化。引言森林火灾具有突发性强、破坏性大、救援困难等特点早期火焰与烟雾的快速检测对于减少生态与经济损失具有重要意义。传统基于传感器或卫星遥感的监测方法存在响应延迟高、部署成本大等不足。近年来随着深度学习与计算机视觉技术的发展基于无人机的视频图像检测逐渐成为森林防火的研究热点。YOLO系列算法因其检测速度快、精度高被广泛应用于实时火灾检测任务中。本文采用YOLOv8作为基础模型构建针对森林环境的火焰与烟雾检测系统重点分析模型在实际场景下的混淆情况、精确率与召回率表现并探讨背景误检与目标漏检的原因为后续改进提供依据。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训练过程训练结果总体评价混淆矩阵分析编辑编辑火焰fire烟雾smoke背景background精确率-召回率与F1曲线PR 曲线编辑F1曲线编辑训练曲线分析results.png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森林火灾的早期特征通常表现为可见的火焰与上升的烟雾。火焰具有明显的颜色、纹理与动态变化特征相对容易被检测而烟雾形态多变、半透明、边缘模糊且与云雾或雾霾在视觉上存在相似性给目标检测带来更大挑战。传统的图像处理方法如阈值分割、背景减除对光照、天气等环境变化敏感泛化能力有限。基于深度学习的目标检测方法尤其是YOLOv8通过特征金字塔与锚框自由机制能够更好地捕捉多尺度目标已在火灾检测领域取得良好效果。然而森林场景背景复杂如阳光、落叶、雾气等容易引发误检。此外火焰与烟雾在空间上常同时出现但二者的视觉特征差异显著模型需要分别学习不同的判别特征。因此系统评估YOLOv8在森林火焰烟雾检测中的混淆程度、误检来源及召回瓶颈是提升其实用性的关键。数据集介绍本系统使用的数据集为森林火焰与烟雾检测数据集共包含2604张图像全部经过人工标注目标类别为两类fire火焰和smoke烟雾。数据集按8:1:1的比例划分为训练集、验证集和测试集具体数量如下数据集图像数量训练集2083 张验证集260 张测试集261 张训练过程训练结果总体评价模型整体有效但对“烟雾”类的检测能力明显弱于“火焰”且存在一定程度的误检mAP50 ≈ 0.70根据 results.png 最后阶段mAP50-95 ≈ 0.72中等偏上对火焰检测较好对烟雾检测存在较大混淆混淆矩阵分析从confusion_matrix.png和confusion_matrix_normalized.png火焰fire真正例343被误判为烟雾4很少归一化真正率 0.64背景误判率 0.35烟雾smoke真正例179被误判为火焰7归一化真正率 0.69背景误判率 0.29背景background被误判为火焰187被误判为烟雾76精确率-召回率与F1曲线PR 曲线火焰 AP 0.629烟雾 AP 0.707mAP0.5 0.668烟雾的 AP 反而比火焰高这需要结合混淆矩阵解释烟雾虽然漏检多但预测为正样本的烟雾中正确比例较高精确率较高。F1曲线最佳 F1 ≈0.65 置信度 0.318说明模型在较低置信度下才能平衡精确率和召回率模型不够自信需要低阈值才能召回更多目标训练曲线分析results.png从results.png数据看出训练损失box loss / cls loss / dfl loss 持续下降 → 训练正常验证损失前期下降中后期趋于平稳 → 没有严重过拟合精确率最终稳定在1.0附近偏高需谨慎召回率稳定在1.0附近mAP50~0.70mAP50-95~0.72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
