基于yolov5的森林火灾识别系统，基于深度学习的森林火灾检测系统，森林火灾识别系统。

基于yolov5的森林火灾识别系统，基于深度学习的森林火灾检测系统，森林火灾识别系统。森林火灾识别
以下文字及代码仅供参考。

项目构建基础：
模型：YOLOV5
软件：Pycharm+Anaconda
环境：python=3.10 opencv_python PyQt5

1

预实现功能：

系统实现了对于多种火灾的识别检测功能：包括通过选择图片、视频、摄像头、文件夹图片文件进行实时识别；检测速度快、识别精度较高。
①选择图片识别森林火灾。
②选择视频识别森林火灾。
③摄像头检测识别森林火灾。
文件夹图片文件识别森林火灾

基于YOLOv5的森林火灾识别系统是一个非常实用的项目，可以实时检测和识别森林火灾。以下是构建这个系统的详细步骤，包括数据准备、环境搭建、模型训练、模型推理等。

1. 环境搭建

安装依赖

确保安装了以下依赖：

conda create-nfire_detectionpython=3.10conda activate fire_detection pipinstallopencv-python pyqt5 yolov5

2. 数据准备

数据集

• 数据集：包含2000张图片的数据集，每张图片都有标注。
• 格式转换：将标注文件转换为YOLOv5所需的格式（.txt文件）。

数据划分

• 使用train_test_split将数据集划分为训练集和验证集。

importosimportrandomfromsklearn.model_selectionimporttrain_test_splitdefsplit_data(image_dir,label_dir,output_dir):images=[fforfinos.listdir(image_dir)iff.endswith('.jpg')]labels=[fforfinos.listdir(label_dir)iff.endswith('.txt')]# Ensure the same order for images and labelsimages.sort()labels.sort()# Split into train and test setstrain_images,val_images,train_labels,val_labels=train_test_split(images,labels,test_size=0.2,random_state=42)# Save the splitswithopen(os.path.join(output_dir,'train.txt'),'w')asf:forimg,lblinzip(train_images,train_labels):f.write(f'{img}{lbl}\n')withopen(os.path.join(output_dir,'val.txt'),'w')asf:forimg,lblinzip(val_images,val_labels):f.write(f'{img}{lbl}\n')# Example usageimage_dir='data/images'label_dir='data/labels'output_dir='data/splits'split_data(image_dir,label_dir,output_dir)

3. 模型训练

配置文件

创建一个配置文件fire_detection.yaml：

train:data/train/images/val:data/val/images/test:data/test/images/nc:1# number of classesnames:['fire']

训练命令

使用以下命令进行训练：

python yolov5/train.py--img640--batch16--epochs100--datafire_detection.yaml--weightsyolov5s.pt--namefire_detection

4. 模型推理

推理代码

创建一个Python脚本detect_fire.py进行推理：

importtorchimportcv2fromyolov5.utils.generalimportnon_max_suppression,scale_coordsfromyolov5.utils.torch_utilsimportselect_devicedefdetect_fire(image_path,model_path='runs/train/fire_detection/weights/best.pt'):device=select_device('')model=torch.load(model_path)['model'].float().to(device).eval()image=cv2.imread(image_path)image_rgb=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)image_tensor=torch.from_numpy(image_rgb).permute(2,0,1).unsqueeze(0).float()/255.0image_tensor=image_tensor.to(device)withtorch.no_grad():pred=model(image_tensor)[0]pred=non_max_suppression(pred,0.4,0.5)for*xyxy,conf,clsinreversed(pred[0]):x1,y1,x2,y2=map(int,xyxy)cv2.rectangle(image,(x1,y1),(x2,y2),(0,255,0),2)cv2.putText(image,f'Fire:{conf:.2f}',(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)cv2.imshow('Fire Detection',image)cv2.waitKey(0)cv2.destroyAllWindows()if__name__=='__main__':image_path='path/to/image.jpg'detect_fire(image_path)

5. PyQt5 GUI

创建GUI界面

创建一个PyQt5界面用于选择图片、视频或摄像头进行实时检测：

importsysfromPyQt5.QtWidgetsimportQApplication,QWidget,QVBoxLayout,QPushButton,QLabel,QFileDialog,QComboBox,QLineEditfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQTimerimportcv2importnumpyasnpclassFireDetectionApp(QWidget):def__init__(self):super().__init__()self.initUI()definitUI(self):self.setWindowTitle('Forest Fire Detection')layout=QVBoxLayout()self.image_label=QLabel(self)layout.addWidget(self.image_label)self.source_combo=QComboBox(self)self.source_combo.addItem('Image')self.source_combo.addItem('Video')self.source_combo.addItem('Camera')layout.addWidget(self.source_combo)self.browse_button=QPushButton('Browse',self)self.browse_button.clicked.connect(self.browse_file)layout.addWidget(self.browse_button)self.detect_button=QPushButton('Detect',self)self.detect_button.clicked.connect(self.detect_fire)layout.addWidget(self.detect_button)self.setLayout(layout)defbrowse_file(self):file_dialog=QFileDialog()file_dialog.setNameFilter("Images (*.jpg *.jpeg *.png)")ifself.source_combo.currentText()=='Video':file_dialog.setNameFilter("Videos (*.mp4 *.avi *.mov)")iffile_dialog.exec_():self.file_path=file_dialog.selectedFiles()[0]defdetect_fire(self):ifself.source_combo.currentText()=='Image':self.detect_image()elifself.source_combo.currentText()=='Video':self.detect_video()elifself.source_combo.currentText()=='Camera':self.detect_camera()defdetect_image(self):image=cv2.imread(self.file_path)image_rgb=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)qimage=QImage(image_rgb.data,image_rgb.shape[1],image_rgb.shape[0],QImage.Format_RGB888)pixmap=QPixmap.fromImage(qimage)self.image_label.setPixmap(pixmap)defdetect_video(self):cap=cv2.VideoCapture(self.file_path)whileTrue:ret,frame=cap.read()ifnotret:breakframe_rgb=cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)qimage=QImage(frame_rgb.data,frame_rgb.shape[1],frame_rgb.shape[0],QImage.Format_RGB888)pixmap=QPixmap.fromImage(qimage)self.image_label.setPixmap(pixmap)self.update()defdetect_camera(self):cap=cv2.VideoCapture(0)whileTrue:ret,frame=cap.read()ifnotret:breakframe_rgb=cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)qimage=QImage(frame_rgb.data,frame_rgb.shape[1],frame_rgb.shape[0],QImage.Format_RGB888)pixmap=QPixmap.fromImage(qimage)self.image_label.setPixmap(pixmap)self.update()if__name__=='__main__':app=QApplication(sys.argv)ex=FireDetectionApp()ex.show()sys.exit(app.exec_())

6. 性能评估

使用标准的性能评估指标如准确率、召回率、F1分数等进行模型评估。

fromsklearn.metricsimportaccuracy_score,precision_score,recall_score,f1_scoredefevaluate_model(y_true,y_pred):accuracy=accuracy_score(y_true,y_pred)precision=precision_score(y_true,y_pred)recall=recall_score(y_true,y_pred)f1=f1_score(y_true,y_pred)print(f'Accuracy:{accuracy:.2f}')print(f'Precision:{precision:.2f}')print(f'Recall:{recall:.2f}')print(f'F1 Score:{f1:.2f}')# Example usagey_true=[0,1,0,1,1,0,1,0,1,1]y_pred=[0,1,0,1,1,0,1,0,1,1]evaluate_model(y_true,y_pred)

仅供参考，学习