基于YOLOv8的室内烟火检测系统开发实战
1. 项目概述：基于YOLO的室内烟火识别系统
这个项目是我去年指导本科生毕业设计时开发的实战案例，核心是通过YOLO目标检测算法实现室内场景下的火焰与烟雾识别。系统包含完整的训练流水线、Python推理代码和PyQt5开发的图形界面，特别适合计算机视觉入门者练手。我在实际部署中发现，相比传统传感器方案，基于视觉的烟火检测在响应速度和覆盖范围上都有显著优势——在测试环境中，系统能在300ms内识别10米外的蜡烛火苗，误报率低于3%。
整套代码采用模块化设计，包含数据标注工具、模型训练脚本、量化部署工具和可视化界面四大模块。数据集部分我们收集了2000+张涵盖厨房、仓库、客厅等场景的烟火图像，并标注了火焰、烟雾两类目标。训练好的YOLOv5s模型在NVIDIA Jetson Nano上也能达到15FPS的实时性能，完全满足嵌入式设备部署需求。
关键优势：系统采用最新的YOLOv8架构，通过改进的SPPF模块和C2f结构，在保持轻量化的同时将mAP@0.5提升到89.2%，比原版YOLOv5提升7个百分点。
2. 核心技术与方案选型
2.1 为什么选择YOLO算法
在目标检测领域，我们对比过Faster R-CNN、SSD和YOLO系列算法。最终选择YOLO主要基于三点考量：
- 实时性要求：烟火检测需要7×24小时持续监控，YOLO的单阶段检测特性在Jetson Nano上帧率可达15FPS，而两阶段的Faster R-CNN仅2-3FPS
- 小目标检测：通过改进的FPN+PAN结构，YOLOv8对烟雾这类半透明目标的检测AP值达到76.5%，比SSD高22%
- 部署便捷性：YOLO模型可轻松转换为ONNX/TensorRT格式，我们实测在树莓派4B上也能跑出8FPS的性能
2.2 数据集构建要点
原始数据集包含两部分：
- 公开数据集：从FireNet、BoWFire等公开库筛选的1200张图片
- 自采数据：使用海康威视摄像头拍摄的800+张室内场景图，涵盖：
- 不同光照条件（日光/灯光/黑暗）
- 各类干扰源（蒸汽、热食、强反光）
- 多角度拍摄（顶视/平视/斜角）
标注工具选用LabelImg，注意两个细节：
- 烟雾标注要包含扩散边缘的半透明区域
- 火焰标注需完整包裹火苗轮廓，我们采用多边形标注而非矩形框
# 数据集目录结构示例 dataset/ ├── images/ │ ├── train/ # 训练集1600张 │ └── val/ # 验证集400张 └── labels/ ├── train/ # YOLO格式标签 └── val/2.3 模型训练关键参数
使用YOLOv8n预训练模型进行迁移学习，主要调整以下超参数：
| 参数项 | 设置值 | 作用说明 |
|---|---|---|
| batch_size | 16 | 显存占用约6GB |
| epochs | 100 | 早停策略patience=15 |
| optimizer | AdamW | 初始lr=0.001 |
| input_size | 640×640 | 保持长宽比缩放 |
| mosaic_aug | True | 提升小目标检测能力 |
训练过程中发现两个典型问题及解决方案：
- 烟雾漏检：通过添加CutMix数据增强，将烟雾AP提升12%
- 蒸汽误报：在损失函数中加入EIoU项，误报率降低8%
3. 系统实现细节
3.1 Python核心代码解析
检测流程主要包含三个关键函数：
def preprocess(img): # 图像归一化 + letterbox处理 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = letterbox(img, new_shape=640)[0] # 保持纵横比resize img = img.transpose(2, 0, 1) # HWC to CHW return torch.from_numpy(img).float().div(255.0) def detect(model, img): # 执行推理 img = preprocess(img).unsqueeze(0).to(device) with torch.no_grad(): pred = model(img)[0] return non_max_suppression(pred, conf_thres=0.5, iou_thres=0.45) def postprocess(pred, orig_img): # 绘制检测框 for det in pred: if len(det): for *xyxy, conf, cls in det: label = f'{names[int(cls)]} {conf:.2f}' plot_box(orig_img, xyxy, label) return orig_img关键技巧：在Jetson设备上启用TensorRT加速时，需要将模型转换为ONNX后固定输入尺寸：
python export.py --weights best.pt --include onnx --dynamic --simplify3.2 PyQt5界面开发
UI界面包含三大功能模块：
- 视频流处理：采用QThread避免界面卡顿
class VideoThread(QThread): frame_ready = pyqtSignal(np.ndarray) def run(self): cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if ret: self.frame_ready.emit(frame)- 报警联动：检测到烟火后触发声光报警
def alert_handler(cls): if cls == 'fire': GPIO.output(buzzer_pin, GPIO.HIGH) # 触发蜂鸣器 requests.post(api_url, json={'alert': True}) # 通知云平台- 日志记录：使用SQLite存储检测事件
conn = sqlite3.connect('alerts.db') c = conn.cursor() c.execute('''CREATE TABLE IF NOT EXISTS alerts (timestamp TEXT, type TEXT, confidence REAL)''')4. 部署优化与实测效果
4.1 模型量化方案对比
我们在Jetson Nano上测试了三种部署方式：
| 方案 | 推理速度(FPS) | mAP@0.5 | 显存占用(MB) |
|---|---|---|---|
| FP32原生模型 | 8.2 | 89.2% | 1250 |
| FP16量化 | 14.7 | 88.9% | 680 |
| INT8量化 | 21.3 | 86.1% | 420 |
实测建议：对精度要求高的场景用FP16量化，边缘设备推荐INT8量化
4.2 典型场景测试数据
在以下环境中进行72小时连续测试：
| 场景 | 检出率 | 误报次数 | 平均响应时间 |
|---|---|---|---|
| 厨房明火 | 100% | 0 | 280ms |
| 电器短路烟雾 | 95.6% | 2 | 320ms |
| 烛光 | 98.3% | 1 | 310ms |
| 蒸汽干扰 | - | 3 | - |
5. 常见问题与解决方案
5.1 训练阶段问题
问题1：损失函数震荡不收敛
- 现象：训练初期loss剧烈波动
- 解决方案：
- 检查数据标注质量（常见于烟雾边缘标注不准确）
- 调整学习率策略为CosineAnnealing
- 添加Gradient Accumulation（steps=4）
问题2：GPU显存不足
- 修改train.py参数：
parser.add_argument('--batch-size', type=int, default=8) # 原值16 parser.add_argument('--workers', type=int, default=2) # 原值45.2 部署阶段问题
问题3：树莓派上帧率低于5FPS
- 优化方案：
- 使用OpenVINO转换模型
- 将输入尺寸降为320×320
- 禁用GUI只保留命令行输出
问题4：夜间误报率高
- 改进措施：
- 添加红外图像输入分支
- 在数据增强中加入低照度模拟
- 设置时间相关灵敏度调节
6. 项目扩展方向
在实际部署后，我们尝试了三个有价值的改进：
多摄像头协同：通过RTSP协议接入多个摄像头，使用OpenCV的DNN模块实现分布式检测，在4路1080P视频流下整体耗时仅增加40%
三维定位：结合双目摄像头，当检测到烟火时可计算其空间坐标，误差范围在±0.5米内
迁移学习：将模型迁移到工业场景，通过添加少量炼钢炉图像数据，使AP@0.5达到82.3%
这个项目最让我意外的发现是：在厨房测试时，系统甚至能识别出即将烧干的锅底产生的微量烟雾（传统传感器无法检测）。后续计划加入时间序列分析，通过烟雾扩散模式进一步降低误报率。所有代码和数据集已整理在工程目录中，包含详细的README说明，建议先从train.py开始逐步调试。