摘要
目的：火灾与烟雾的早期智能检测对于公共安全预警具有重要意义。本研究基于YOLO26目标检测算法，构建了一个面向两类目标（火灾、烟雾）的实时检测系统，并在大规模数据集上进行了系统训练与评估。
方法：研究构建了一个包含6744张标注图像的数据集，其中训练集4832张、验证集1000张、测试集912张，共计标注实例超过1.2万个。采用YOLO26架构作为基础检测模型，通过精确率、召回率、平均精度均值（mAP）等指标评估模型性能，并结合混淆矩阵分析类别间的误判情况。
结果：在包含1000张图像的验证集上，模型整体mAP50达到0.96。其中，火灾检测的mAP50高达0.972，召回率为0.931；烟雾检测的mAP50为0.947，召回率为0.891。混淆矩阵分析显示，火灾与烟雾之间存在一定的特征混淆，主要表现为部分火灾样本被误判为烟雾。训练曲线表明模型收敛良好，未出现过拟合。
结论：本研究构建的YOLO26火灾烟雾检测系统在大规模数据集上表现出优异的检测性能，尤其在火灾检测方面具有高精度和高召回率，具备实际部署潜力。针对烟雾召回率较低以及与火灾的区分问题，未来可通过引入背景负样本、增强细粒度特征提取等方式进一步优化。
关键词：YOLO26；火灾检测；烟雾检测；目标检测；混淆矩阵；mAP
详细功能展示视频
https://www.bilibili.com/video/BV1dKoTBDEui/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764
https://www.bilibili.com/video/BV1dKoTBDEui/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1dKoTBDEui/
目录
3、混淆矩阵分析（confusion_matrix.png）
6、F1-Confidence 曲线（BoxF1_curve.png）编辑
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。
✅ 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
✅参数实时调节（置信度和IoU阈值）
✅ 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/GPU） |
10、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
火灾作为一种高发性灾害，往往在初期伴随着火焰或烟雾的产生。及时发现火情并进行预警，对于控制火势蔓延、减少人员伤亡和财产损失具有决定性作用。传统的火灾探测方法多依赖于物理传感器，如感温、感烟探测器，但其响应速度慢、覆盖范围有限，且易受环境干扰，难以满足大空间、复杂场景下的实时预警需求。
近年来，随着计算机视觉和深度学习技术的快速发展，基于视频监控的智能火灾烟雾检测系统逐渐成为研究热点。通过分析监控画面，该类系统能够在火灾初期实现非接触式、广覆盖的自动预警。其中，YOLO（You Only Look Once）系列算法凭借其端到端、检测速度快、精度高的优势，在实时目标检测任务中得到了广泛应用。
本研究基于YOLO算法，构建了一个面向两类目标（火灾、烟雾）的检测系统。研究使用了包含6744张标注图像的大规模数据集，其中训练集4832张、验证集1000张、测试集912张，共计标注实例超过1.2万个。通过对模型的训练与验证，系统评估了其在火灾和烟雾两类目标上的检测精度、召回率及泛化能力。本文将从模型性能、类别混淆、训练过程等多个维度对实验结果进行分析，并为后续优化提供方向。
背景
1. 火灾烟雾检测的重要性
火灾是常见的重大安全事故之一，尤其在森林、工业园区、商场、住宅等场景中，一旦发生火灾，往往造成不可估量的经济和生命损失。烟雾作为火灾的早期征兆，往往比火焰更早出现。因此，能够在烟雾出现的第一时间进行检测，对于火灾的早期预警、人员疏散和快速响应具有重要意义。
2. 传统检测方法的局限性
传统的火灾探测系统主要依赖于物理传感器，如感温探测器、感烟探测器和气体传感器。这些方法存在以下固有局限性：
-
响应延迟：需要烟雾扩散到传感器位置才能触发报警，难以实现真正意义上的早期预警。
-
覆盖范围有限：单个传感器覆盖范围小，大空间场景需部署大量设备，成本高昂。
-
环境干扰敏感：易受灰尘、水汽、温度变化等因素影响，误报率和漏报率较高。
-
信息单一：无法提供火情的视觉信息，难以判断火情位置、规模和蔓延趋势。
3. 基于视觉的检测方法优势
随着监控设备的普及和图像处理技术的进步，基于视觉的火灾烟雾检测方法逐渐成为研究主流。其主要优势包括：
-
非接触式检测：可远距离监测大范围区域，适用于森林、广场、工业园区等开阔场景。
-
响应速度快：可实时分析视频流，第一时间发现火情并触发报警。
-
信息丰富：不仅能检测火情是否存在，还能提供火源位置、火势规模、烟雾扩散方向等关键信息。
-
智能化程度高：可结合深度学习算法，不断优化检测性能，适应不同光照、背景和天气条件。
数据集介绍
尽管已有不少研究将YOLO应用于火灾检测，但大多数研究存在数据集规模较小、类别单一、缺乏对火灾与烟雾混淆问题的深入分析等不足。针对上述问题，本研究构建了一个大规模、高质量的火灾烟雾检测数据集，包含：
-
总图像数量：6744张
-
训练集：4832张
-
验证集：1000张
-
测试集：912张
-
目标类别：2类（火灾、烟雾）
-
标注实例：超过1.2万个
基于这一数据集，本研究对YOLO火灾烟雾检测系统进行了系统训练和全面评估，重点分析了模型在两类目标上的检测性能、类别混淆情况以及实际部署的可行性，旨在为后续研究和工程应用提供可靠的参考依据。
训练结果
1、整体性能评估（基于验证集）
| 类别 | 精确率 (P) | 召回率 (R) | mAP50 | mAP50-95 |
|---|---|---|---|---|
| all | 0.961 | 0.911 | 0.96 | 0.853 |
| fire | 0.958 | 0.931 | 0.972 | 0.847 |
| smoke | 0.963 | 0.891 | 0.947 | 0.86 |
-
mAP50 高达 0.96，说明模型在 IoU=0.5 下的检测精度非常高，适合实际应用中较为宽松的定位要求。
-
mAP50-95 为 0.853，说明模型在更严格的 IoU 阈值下仍能保持较好的检测能力，具备较强的泛化能力。
-
召回率整体较高，尤其是火灾（0.931），说明漏检较少，适合安全监控场景。
2、类别分析
1. 火灾检测（fire）
-
精确率 0.958，召回率 0.931，mAP50 0.972，表现最佳。
-
火灾目标特征明显，模型学习充分。
2. 烟雾检测（smoke）
-
精确率 0.963，召回率 0.891，mAP50 0.947。
-
召回率略低，说明部分烟雾样本被漏检，可能与烟雾形态模糊、透明度高、背景复杂有关。
3、混淆矩阵分析（confusion_matrix.png）
原始混淆矩阵：
| 真实\预测 | fire | smoke | background |
|---|---|---|---|
| fire | 2144 | 1857 | 110 |
| smoke | 193 | 982 | 203 |
| background | 0 | 0 | 0 |
归一化混淆矩阵：
| 真实\预测 | fire | smoke | background |
|---|---|---|---|
| fire | 0.95 | 0.66 | 0.34 |
| smoke | 0.90 | 0.34 | 0.10 |
关键问题：
-
fire 被大量误判为 smoke：1857 个 fire 样本被误判为 smoke，说明模型对两者的区分能力不足，尤其在视觉特征相似时。
-
smoke 被误判为 fire 较少：仅 193 个，说明 smoke 的特征更易被误判为背景或 fire。
-
background 未参与训练：可能未标注背景样本，导致模型对背景的识别能力无法评估。
4、训练过程分析（results.png）
-
train/box_loss、cls_loss、dfl_loss 持续下降，说明模型收敛良好。
-
val 损失稳定下降，未出现明显过拟合。
-
mAP50 和 mAP50-95 稳步上升，最终趋于稳定，训练效果理想。
5、PR 曲线分析（BoxPR_curve.png）
-
fire 的 PR 曲线下面积最大（0.972），说明其在所有置信度下表现最优。
-
smoke 的 PR 曲线略低（0.947），说明在高召回率下精确率下降较快。
6、F1-Confidence 曲线（BoxF1_curve.png）
-
所有类别的最高 F1 分数为 0.94，出现在置信度 0.459 附近。
-
说明在较低置信度下模型仍能保持较好的平衡，适合实际部署时根据场景调整阈值。
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
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：
详细功能展示视频
https://www.bilibili.com/video/BV1dKoTBDEui/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1dKoTBDEui/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1dKoTBDEui/
扫一扫
771
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
