航拍森林火灾检测数据集：VOC/YOLO双格式对齐与训练避坑

简介：面向森林火灾智能监测与航拍目标检测研究者的数据集说明文档，围绕俯拍、航拍场景下的火焰与烟雾识别任务，帮助读者快速了解一份VOC与YOLO双格式标注数据的构成与使用边界。文档系统梳理了6116张图像及对应标注：VOC提供jpg图像与xml文件，YOLO提供txt标签，类别为fire与smoke，标注框分别达15380和12613个，总计27993个，并交代labelImg矩形框标注流程、类别定义与标注示例预览，便于在训练前核对标注规则和数据质量。压缩包共1个docx文件，约5.06MB，以文字说明、统计信息和预览节选为主，适合作为数据检索、方案选型与实验记录的依据。当前已有62人学习。读者可从中获取数据规模、格式差异、类别分布及精度免责声明等关键信息，为森林火灾早期发现模型的预处理、训练配置与评估验证提供参考。

1. 俯拍航拍森林火灾检测数据集：6116张双格式标注先看什么

拿到一份俯拍航拍森林火灾检测数据集，很多人的第一反应是把6116张图直接塞进训练脚本，真正容易翻车的却是VOC与YOLO两套标注是否逐张对齐。这个数据集面向俯拍航拍视角的森林火灾检测，2类别为 fire 和 smoke，提供jpg、xml、txt三类文件，标注框合计27993个，适合做2类别目标检测训练、格式转换校验和烟雾小目标增强实验。它更适合已经能跑通检测流程、需要补足火烟场景样本的从业者；不适合把它当成精度承诺，标注只解决“标签在哪”，模型效果仍由划分、增强和调参决定。

2. 拆开VOC与YOLO双格式：27993个框的坐标对齐与统计口径

双格式不是简单“多给一份标注”。VOC的xml是绝对像素坐标，YOLO的txt是归一化中心点坐标，两者差一个换算层；如果文件名、类别顺序或边界裁剪没对齐，训练日志里的loss会看起来正常，验证可视化却满屏错框。先把6116组三件套的对应关系锁死，再谈统计和转换，后面训练才有意义。

2.1 先核对目录与文件命名：6116组三件套缺一不可

这份数据集没有附带划分路径的txt文件，只有图片和对应的VOC xml、YOLO txt，所以目录结构要自己整理。我一般会把图片、xml、txt分开放，用文件stem做唯一键，先检查jpg集合、xml集合、txt集合是否一一相等。不要用“文件数量都是6116”代替逐张核对，数量相等但文件名错位的情况并不少见，尤其是从压缩包解压后混入系统生成的隐藏文件时。

from pathlib import Path import xml.etree.ElementTree as ET from collections import Counter, defaultdict IMG_DIR = Path("images") # jpg 所在目录 XML_DIR = Path("annotations/voc") # VOC xml 目录 TXT_DIR = Path("labels/yolo") # YOLO txt 目录 CLASSES = ["fire", "smoke"] jpg = {p.stem for p in IMG_DIR.glob("*.jpg")} xml = {p.stem for p in XML_DIR.glob("*.xml")} txt = {p.stem for p in TXT_DIR.glob("*.txt")} print("jpg", len(jpg), "xml", len(xml), "txt", len(txt)) print("缺xml", sorted(jpg - xml)[:5]) print("缺txt", sorted(jpg - txt)[:5]) print("多余xml", sorted(xml - jpg)[:5]) print("多余txt", sorted(txt - jpg)[:5]) box_counter = Counter() per_image = defaultdict(int) for p in XML_DIR.glob("*.xml"): root = ET.parse(p).getroot() for obj in root.findall("object"): name = obj.find("name").text.strip() box_counter[name] += 1 per_image[p.stem] += 1 print("类别框数", dict(box_counter)) print("总框数", sum(box_counter.values())) print("每图平均框数", round(sum(per_image.values()) / max(len(per_image), 1), 3))

这段脚本先做三集合差集，逻辑很直接：jpg - xml是有图没VOC标注，jpg - txt是有图没YOLO标注，反向差集则是标注多余。后面解析xml只统计object/name和每图框数，不做坐标转换，用来快速判断类别分布和图片拥挤程度。参数上只需要改三个目录和CLASSES，如果类别名里出现空格或大小写不一致，name.strip()之后还要统一小写再比对，否则统计会把同一类拆成两个键。

提示：先跑一遍集合核对，再跑坐标统计。文件名错位时谈框数没有意义，统计结果会把你带偏。

2.2 VOC xml 转 YOLO txt 的坐标换算与边界裁剪

VOC转YOLO的核心公式不复杂：cx = ((xmin + xmax) / 2) / width，cy = ((ymin + ymax) / 2) / height，bw = (xmax - xmin) / width，bh = (ymax - ymin) / height。容易出错的是边界裁剪和无效框过滤。labelImg画框时偶尔会留下越界坐标，或者xmax小于xmin的拖拽残影，直接归一化会得到负数或大于1的值，训练脚本不一定报错，但框会飞到图像外面。转换时统一裁到[0, width]和[0, height]，再判断宽高是否大于0，能挡掉大部分脏框。

from pathlib import Path import xml.etree.ElementTree as ET SRC_XML = Path("annotations/voc") DST_TXT = Path("labels/yolo_converted") DST_TXT.mkdir(parents=True, exist_ok=True) CLASSES = ["fire", "smoke"] CLASS_TO_ID = {name: i for i, name in enumerate(CLASSES)} def clamp(v, lo, hi): return max(lo, min(hi, v)) for xml_path in SRC_XML.glob("*.xml"): root = ET.parse(xml_path).getroot() size = root.find("size") w = float(size.find("width").text) h = float(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in CLASS_TO_ID: continue bnd = obj.find("bndbox") xmin = clamp(float(bnd.find("xmin").text), 0, w) ymin = clamp(float(bnd.find("ymin").text), 0, h) xmax = clamp(float(bnd.find("xmax").text), 0, w) ymax = clamp(float(bnd.find("ymax").text), 0, h) if xmax <= xmin or ymax <= ymin: continue cx = ((xmin + xmax) / 2.0) / w cy = ((ymin + ymax) / 2.0) / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f"{CLASS_TO_ID[name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") (DST_TXT / f"{xml_path.stem}.txt").write_text("\n".join(lines), encoding="utf-8")

这段脚本把xml逐张转成同名txt，CLASS_TO_ID决定fire是0还是smoke是0，必须和后面训练配置完全一致。clamp负责把越界坐标压回图像范围，xmax <= xmin或ymax <= ymin的框直接丢弃，避免写出宽高为负的标签。保留6位小数是为了减少归一化误差，对6116张图、27993个框这种量级足够用。转换完不要立刻开训，抽10张把txt画回原图，看框是否贴合火点或烟雾边缘，这一步比盯着loss曲线有用。

2.3 用统计结果判断数据分布：fire 15380 与 smoke 12613 怎么读

按给定标注统计，fire有15380个框，smoke有12613个框，总框数27993。按6116张图摊开，平均每张图约4.58个框，说明不少图片里同时存在多个火点或烟雾区域，训练时不能假设“一图一目标”。fire框数占比约54.9%，smoke约45.1%，两类并不悬殊，但烟雾的视觉形态更麻烦：颜色接近背景、边缘扩散、对比度低，框往往偏大且重叠多。框数均衡不代表难度均衡，smoke的召回通常更值得盯。

统计时还要看每张图的框数分布和空标注数量。如果某些图片的txt是0字节，那是纯背景负样本，不要当脏数据删掉；如果一张图里有几十个框，先确认是不是把大片烟雾拆成了多个小框，或者把同一火点重复标了多次。对俯拍航拍场景，框的宽高比也能说明问题：火点通常偏小、偏圆，烟雾容易拉长成不规则大片。后面做增强时，scale和mosaic可以多一点，但mixup要克制，低对比度烟雾被混合后更容易糊成背景。

3. 把数据集接进YOLO训练：2类别配置、640输入与小目标增强

格式对齐之后，下一步是让训练配置和标注索引完全一致。这里最常见的误用是“拿到txt就直接训”，不管类别顺序、不划分验证集、不检查空标注。YOLO训练脚本对格式很宽容，错标签也能跑出下降的loss，所以配置层要自己卡死：nc=2、names顺序、train/val路径、图片和标签的stem对应，四项都对上再开训。

3.1 data.yaml 与类别映射：fire/smoke 顺序不能靠猜

训练配置里最重要的是类别索引。转换脚本里CLASSES = ["fire", "smoke"]，那么fire就是0，smoke就是1；如果原始YOLO txt的类别索引不是这个顺序，要么重转，要么改names，不能只改nc。我一般会在data.yaml里显式写出0和1，避免不同框架对names列表的解析差异。目录上让images/train和labels/train保持同名stem，验证集同理，这样训练脚本按路径推断标签时不会串。

# configs/fire_smoke.yaml path: /data/fire_smoke_6116 train: images/train val: images/val test: images/test nc: 2 names: 0: fire 1: smoke

path是数据集根目录，train、val、test写相对路径，根目录下要有对应的images和labels结构。nc必须是2，names的键值要和txt里的类别索引对齐。如果暂时没有test集，可以先把test留空或复用val，但不要把它当成调参集反复看。没有官方划分文件时，常见做法是按8:1:1或7:2:1切分，但切分要按场景分组，不能简单随机抽图，原因在避坑章展开。

3.2 训练命令与关键超参：imgsz、batch、lr0 怎么落

训练命令以常见YOLO命令行接口为例，模型权重路径换成自己手里的预训练权重。输入尺寸先定640，如果烟雾在图中占比很小，可以试960，但显存和速度会明显变化。batch从8或16起步，显存不够就降batch，不要硬撑导致最后几个batch的统计量抖动。学习率lr0=0.01是常见起点，小数据集或微调时可以降到0.005；lrf=0.01控制末端学习率衰减，patience=30用于早停，避免验证指标长时间不升还继续烧卡。

# 以常见 YOLO 训练命令行接口为例，权重路径换成自己的 yolo detect train \ model=weights/pretrained.pt \ data=configs/fire_smoke.yaml \ imgsz=640 \ epochs=120 \ batch=16 \ workers=4 \ lr0=0.01 \ lrf=0.01 \ patience=30 \ project=runs/fire_smoke \ name=baseline_640

imgsz=640是速度和精度的折中，俯拍图里烟雾如果经常只占几十个像素，640下经过下采样会更小，所以第一轮不要只看mAP，先把推理可视化打开。epochs=120不是硬指标，早停触发就停；workers=4按机器CPU核数调，太大反而拖慢数据加载。project和name决定输出目录，建议把baseline、增强版、换尺寸版分开命名，后面比较结果时不会翻错文件夹。

注意：不要用验证集反复调conf和iou再报告mAP。验证集参与调参后，指标就不再是干净评估，后面换场景会掉得很难看。

3.3 小目标烟雾的增强策略：mosaic、mixup 与尺度抖动怎么配

烟雾的难点是低对比度和边缘模糊，增强不能只堆强度。mosaic能增加小目标和多目标共存，适合俯拍图里多个火点、多个烟羽的情况；scale和translate让目标出现在不同位置，减少模型依赖固定构图；hsv_s和hsv_v可以模拟烟羽颜色变化和光照差异。mixup要谨慎，烟雾本来就和背景接近，混合过度会让标签区域更模糊，训练集看起来更“难”，验证集反而学不到稳定特征。俯拍场景可以保留水平翻转，垂直翻转按数据来源决定，如果航线方向固定，垂直翻转比例不要太高。

# configs/aug_smoke.yaml hsv_h: 0.015 hsv_s: 0.6 hsv_v: 0.4 degrees: 5.0 translate: 0.1 scale: 0.5 shear: 2.0 perspective: 0.0 flipud: 0.2 fliplr: 0.5 mosaic: 0.8 mixup: 0.1 copy_paste: 0.0

这份增强配置里，scale: 0.5让目标有一定尺度抖动，mosaic: 0.8保留较高多图拼接概率，mixup: 0.1只做轻微混合，避免烟雾被过度糊化。flipud: 0.2和fliplr: 0.5针对俯拍视角，如果数据来自固定航线且方向信息有意义，可以把flipud降到0。copy_paste对烟雾这种不规则目标不一定合适，先关掉，等baseline稳定后再试。增强参数不是越多越好，训练集mAP上升但验证集不动的增强，基本可以撤掉。

4. 训练后别只看mAP：混淆矩阵、PR曲线与可视化抽查

训练日志里的mAP是汇总值，2类别火烟检测更该看每类召回和混淆方向。fire和smoke在远景里可能同时出现，烟雾又容易扩散到火点周围，混淆矩阵能告诉你模型是把烟判成火，还是把背景判成烟。评估阶段先把验证集固定，再谈阈值；阈值扫得太随意，最后得到的指标没法复现。

4.1 划分验证集与评估命令：先固定随机种子再谈指标

验证集要和训练集同分布但不能同场景，划分时固定随机种子，记录哪些文件进了val。评估命令里conf=0.001是为了算完整PR曲线，不要用0.25这种部署阈值去评估mAP；iou=0.6是NMS的IoU阈值，和训练时的框匹配阈值不是一回事。如果验证集里烟雾样本很少，mAP会被fire主导，最好再单独看smoke的recall。

yolo detect val \ model=runs/fire_smoke/baseline_640/weights/best.pt \ data=configs/fire_smoke.yaml \ imgsz=640 \ batch=16 \ conf=0.001 \ iou=0.6 \ project=runs/fire_smoke_val \ name=eval_640

model指向训练产出的best权重，data必须和训练时同一份yaml，imgsz也要一致，否则小目标评估会偏差。conf=0.001保留低置信度预测，让PR曲线完整；iou=0.6用于NMS合并重叠框，烟雾大片重叠时这个值会影响召回。评估输出目录里重点看混淆矩阵、PR曲线和每类指标表，不要只抄一个mAP50就结束。

4.2 看混淆矩阵定位 fire/smoke 混淆：背景框和烟雾漏检怎么读

混淆矩阵的横纵轴分别是真实类别和预测类别，背景也会作为一类出现。fire被预测成smoke，说明颜色和纹理特征没分开，常见于小火点被大片烟雾包住；smoke被预测成背景，说明低对比度烟羽没被激活，常见于远景薄烟。背景列偏高则是误检，背景行偏高是漏检，两者处理方式不同：误检多先回捞负样本和调conf，漏检多先查标注覆盖和增强强度。

每类指标要分开看：precision高、recall低，说明模型保守，阈值可以降一点；precision低、recall高，说明误检多，先查背景样本和标注质量。mAP50到mAP50-95掉得厉害，通常是框定位不准，烟雾边缘模糊时更明显，不一定是分类问题。

4.3 推理可视化与阈值选择：conf 0.25 只是起点

部署阈值和评估阈值要分开。评估用低conf看全貌，部署时从0.25起步，再按业务接受度扫0.1、0.25、0.4。烟雾密集时NMS的iou可以降到0.4到0.5，避免一片烟只留一个框；火点分散时iou可以高一点。可视化不要只抽成功案例，专门挑漏检、误检、重叠框各10张，才能看出阈值和标注的边界。

yolo detect predict \ model=runs/fire_smoke/baseline_640/weights/best.pt \ source=images/val \ imgsz=640 \ conf=0.25 \ iou=0.5 \ save_txt=True \ save_conf=True \ project=runs/fire_smoke_pred \ name=val_conf025_iou050

conf=0.25是部署起点，iou=0.5控制重叠框合并，save_txt=True把预测结果落盘，方便和真值对比。save_conf=True保留置信度，后面做阈值扫描时不用重新推理。如果烟雾大片只出一个框，先把iou降到0.4看是否改善；如果背景误检多，先把conf升到0.4看误检是否来自低置信度。阈值没有全局最优，只有当前场景的折中。

5. 避坑与排查：双格式坐标、空标注与烟雾低对比度的5个坑

双格式数据集的问题往往不在训练脚本，而在“看起来能跑”的细节。下面5个坑按出现频率排，前两个是格式层，后三个是训练和评估层。每个都按现象、原因、解决写，照着排查能省掉反复重训。

5.1 坑一：VOC与YOLO坐标顺序搞反：框飞到左上角

现象：验证可视化里框集中在左上角，或者框宽高很小、几乎为0；训练loss能降，但mAP极低。

原因：把xmin, ymin, xmax, ymax直接写进txt，或者把归一化的cx, cy, w, h当成绝对坐标。YOLO txt的顺序是class cx cy w h，不是class xmin ymin xmax ymax，两者混用后坐标范围完全不对。

解决：用2.2的转换脚本重转，随机抽10张把txt画回原图。再跑一遍范围检查，cx和cy必须在0到1之间，w和h必须大于0且不超过1。发现越界先查转换公式，不要先去改模型。

from pathlib import Path bad = [] for p in Path("labels/yolo").glob("*.txt"): for line in p.read_text(encoding="utf-8").splitlines(): if not line.strip(): continue cls, cx, cy, w, h = line.split() vals = list(map(float, [cx, cy, w, h])) if not (0 <= vals[0] <= 1 and 0 <= vals[1] <= 1 and 0 < vals[2] <= 1 and 0 < vals[3] <= 1): bad.append((p.name, line)) break print("异常文件数", len(bad)) print(bad[:5])

这段检查只做范围校验，不判断框是否贴合目标，所以还要配合可视化。bad里出现文件名就先看对应图片，确认是转换问题还是原始xml越界。范围检查通过但框仍然偏移，重点查width和height取的是不是原图尺寸，有些xml的size节点和实际jpg分辨率不一致，转换前要以实际图片尺寸为准。

5.2 坑二：空txt与纯背景图被误删：smoke 召回莫名下降

现象：清洗脚本把0字节txt删掉后，训练集只剩有目标的图，验证集烟雾召回下降，背景误检反而变多。

原因：YOLO格式里空txt表示纯背景，是负样本。删掉空txt等于告诉模型“所有图里都有火或烟”，模型没见过无目标背景，遇到云层、阴影、反光就容易误检。

解决：保留空txt和对应图片。先统计空标注比例，如果空标注很少，保留即可；如果空标注很多，按比例抽样，不要让背景图淹没正样本。清洗脚本里把“txt为空”和“txt缺失”分开处理，缺失是错位，为空是负样本，两者不能一起删。

5.3 坑三：烟雾框重叠与NMS阈值过高：一片烟只留一个框

现象：可视化里大片烟雾只出一个框，相邻火点被吞掉，或者同一片烟被重复框出很多小框。

原因：烟雾标注常有大框重叠，NMS的iou阈值过高会合并过度；conf阈值过高会漏掉低对比度烟雾。评估阶段用0.001看全貌，部署阶段直接套0.5以上的iou，容易把重叠目标压成一个。

解决：评估用conf=0.001、iou=0.6看PR曲线；部署时扫conf从0.1到0.4、iou从0.4到0.6，按漏检和误检的接受度选点。烟雾密集场景优先降iou，火点分散场景再考虑升conf。不要用验证集mAP最高的阈值直接上线，业务误检成本不同，阈值要单独定。

5.4 坑四：按图片随机划分导致同场景泄漏：验证集虚高

现象：验证集mAP很高，换一段航拍视频或另一个架次就崩，烟雾召回掉得特别明显。

原因：同一段航线连续帧的纹理、光照、烟羽形态几乎一样，随机分到train和val后，验证集对模型来说近似“见过的图”。这种泄漏会让指标虚高，实际跨场景泛化差。

解决：按架次、场景或时间窗口分组划分，同一组只进train或只进val。文件名有场景前缀时按前缀分组；没有前缀时按拍摄时间分桶，或者按文件夹分。分组后固定随机种子，把train/val文件列表落盘，后续复现实验直接用同一份列表。

from pathlib import Path import random from collections import defaultdict random.seed(42) groups = defaultdict(list) for p in Path("images").glob("*.jpg"): # 假设文件名形如 sceneA_0001.jpg，按前缀分组 group = p.stem.split("_")[0] groups[group].append(p.stem) keys = list(groups) random.shuffle(keys) n_val = max(1, int(len(keys) * 0.2)) val_groups = set(keys[:n_val]) train, val = [], [] for g in keys: (val if g in val_groups else train).extend(groups[g]) Path("splits").mkdir(exist_ok=True) Path("splits/train.txt").write_text("\n".join(train), encoding="utf-8") Path("splits/val.txt").write_text("\n".join(val), encoding="utf-8") print(len(train), len(val), "val groups", sorted(val_groups))

这段脚本按文件名前缀分组，n_val控制验证组比例，random.seed(42)保证划分可复现。文件名没有场景前缀时不能硬套，改成按文件夹或时间字段分组。划分完检查val组列表，确认没有同一场景同时出现在train和val，否则mAP再高也不能信。

5.5 坑五：换模型只改nc不改names：类别索引错位

现象：推理时fire显示成smoke，或者两个类别概率互换，混淆矩阵里两类对调。

原因：data.yaml里nc=2改了，但names顺序没改；或者转换脚本的CLASSES和训练配置的names不一致。模型只认索引，不认文本，索引0被解释成什么完全由配置决定。

解决：固定一份类别映射，转换、训练、评估、推理都用同一份。data.yaml里显式写0: fire、1: smoke，训练前抽一张图打印txt类别并叠框核对。换模型或换框架时，先检查names，再检查nc，最后才看权重加载。

6. 进阶技巧：用分层抽样和负样本回捞把烟雾召回拉上来

烟雾召回上不去，很多时候不是模型容量不够，而是验证集里烟雾组合太少、负样本又被清掉了。我一般先按每张图的fire框数、smoke框数分桶，再按桶比例抽train/val，保证验证集里同时有“只有fire”“只有smoke”“两者都有”“纯背景”四类样本。这样调conf和iou时，看到的是烟雾真实边界，不会被fire样本掩盖。

训练后把验证集里误检最高的背景图回捞进训练集，空txt继续保留，不要因为“没有目标”就删。部署阈值也别照搬评估阈值：conf从0.25起步，iou从0.5起步，烟雾密集时把iou降到0.4看重叠框是否回来。从那以后我每次拿到双格式数据集，都先跑统计、抽10张叠框、再按场景分组划分，最后才

本文还有配套的精品资源，点击获取