从 10443 期这个编号就能看出来，这套无人机航拍火灾烟雾识别数据集的迭代，不是一次性整理完就交付的“一次性资产”，而是一个长期滚动的项目。我在无人机安防和森林防火这个方向上做了不少实际项目，深知烟火识别这个任务有多别扭：人、车、船这些目标再小，至少边缘是清晰的；但烟雾没有固定形状，没有清晰轮廓，颜色还随着光照和环境变化，经常把云、雾、水汽、工厂排烟混在一起。真正要做的是无人机航拍场景下的烟火危险自动识别，让算法在森林火灾巡检、工业厂区安全预警这些实际任务里真能顶用。
这篇文章会把我们团队从数据采集、筛选标注、模型训练到机载端部署的全链路经验拆开讲，重点说清楚烟雾识别为什么难、数据集的“底料”是怎么构建的、训练时怎样平衡召回率和误报率、部署阶段有哪些坑不在算法里。适合正在做无人机安防识别、森林防火巡检、厂区烟火预警的算法工程师、项目负责人，也适合打算自己构建烟火数据集的研究者参考。
1. 火灾烟雾识别到底难在哪：先认清“看得见”和“认得出”之间的距离
很多人以为烟火识别就是一个普通的目标检测任务，把烟标注出来，训练一个检测模型就行。实际跑过真实项目后会发现，最核心的难点不是模型能力不够，而是这个目标本身就不符合常规目标检测的假设。
1.1 烟雾在视觉上不是一个“物体”
常规检测目标比如行人、车辆，有相对固定的形态和边界，模型学的是“形状+纹理+上下文”的组合特征。但烟雾是流体，它的边界在每一帧都在变，边缘是半透明渐变的，你没法用一个紧致的矩形框去贴合它。哪怕标注员手很稳，同一个烟团的框在不同帧之间的宽高比也可能剧烈变化，这会导致检测头的回归损失一直抖，模型不容易稳定收敛。
还有一点很关键：烟雾没有固定的颜色。森林火灾初期可能是灰白色烟，烧起来之后变黑，再往后由于燃烧物不同可能偏黄褐色；工业厂区的水蒸气在逆光下看起来也像白烟。颜色特征完全不可靠，模型不能只靠颜色判断。
1.2 无人机视角叠加了多重干扰
固定摄像头的烟火识别已经有不少成熟方案，但无人机视角要麻烦得多：
- 高度变化范围大。巡检时飞行高度可能从 30 米到 150 米不等，同一个烟团在画面里的像素尺寸可能相差好几倍。
- 云台姿态变化。航拍不总是正俯视，经常有 45 度倾斜角，烟团的投影形状完全不一样。
- 飞行抖动。即使有云台增稳，高空风力大时画面仍会有轻微运动模糊，对半透明的小目标影响尤其严重。
- 背景极度复杂。森林场景里树冠纹理本身就杂乱，远处山体阴影、晨雾、云层投影都会干扰判断。
这些干扰叠加起来，导致一个典型现象：在地面固定摄像头上效果不错的模型，一搬到无人机航拍数据上，精度掉得很难看。这也是为什么一定要有专门的无人机航拍数据集，而不能直接拿公开的烟火数据集凑合。
1.3 早期预警的时间窗口逼迫模型做更敏感的取舍
森林防火巡检的逻辑是“早发现、早处置”，理想情况是在烟刚冒头、还没有明火的时候就告警。这个时间窗口其实很短，从烟雾出现到火势蔓延可能只有几分钟到十几分钟。所以模型必须对很小的、很淡的烟也保持高召回率。
但高召回率必然带来高误报率，这是所有检测任务都逃不掉的矛盾。在真实安防项目里，误报是有代价的：每次误报都要有人去复核，复核次数多了，值班人员会对告警麻木，真正出事时反而被忽略。所以烟雾识别系统不能只做一个检测模型，而是要在“灵敏度”和“可信度”之间做分层设计，这个后面会细讲。
为了更直观理解烟、雾、云、水汽这些易混淆目标，可以看这个对比表：
| 类别 | 颜色表现 | 边缘特征 | 动态行为 | 与火灾烟雾的关键差异 |
|---|---|---|---|---|
| 火灾烟雾 | 灰白至黑褐，随燃烧物变化 | 半透明渐变，边界模糊 | 持续扩散、上升、随风向漂移 | 动态持续性强，浓度通常递增 |
| 晨雾/低云 | 均匀乳白 | 大范围弥散，边界极不明显 | 整体缓慢移动，形态变化很小 | 没有“从一点向外扩散”的源点 |
| 厂区水蒸气 | 白色，逆光下偏亮 | 有较明显的柱状轮廓 | 从固定烟囱/冷却塔持续排出 | 源点位置固定，扩散范围有限 |
| 炊烟 | 淡灰色 | 较淡，低矮 | 随风快速消散 | 持续时间短，多出现在居民区 |
| 车辆扬尘 | 黄褐色 | 贴地，浓密而不透明 | 沿道路移动，随车轨迹变化 | 位置贴近地面，有明显移动方向 |
这里的关键判断线索是“是否有固定的源点”和“动态扩散趋势”。真正的火灾烟雾通常有一个出发点，然后持续向外滚动扩散，范围逐渐扩大；而雾、云、水汽要么没有源点，要么源点固定且扩散模式稳定。这也是为什么后续做算法时，我会特别强调用视频时序信息，而不是单帧判断。
2. 数据集线下工作：采集、筛选、标注的每一步都有取舍
数据集的质量决定了模型表现的上限，模型只是尽可能接近这个上限。无人机航拍火灾烟雾识别数据集也不只是“找些带烟的视频，抽帧画框”这么简单。这一节把采集、筛选、标注三个环节的关键取舍掰开讲。
2.1 巡飞采集不是“飞出去拍就行”
采集阶段首先要明确覆盖维度，否则数据会出现严重的场景偏置。我们做这套数据集时，按下面几个维度规划采集计划：
- 场景维度：森林、草原、农田、工业厂区、城乡结合部。每个场景的植被、建筑、热源分布都不一样。
- 飞行高度：低空（30-50 米）、中空（50-100 米）、高空（100-150 米）。同一个烟雾在不同高度下的尺度和视角差异很大。
- 相机角度：正俯视和 30-45 度倾斜视角都要覆盖。实际巡检常使用倾斜视角，因为正俯视时烟雾高度信息会丢失。
- 气象条件：晴天、阴天、薄雾、逆光、顺光。烟雾在逆光下对比度低，是最难的样本；在阴天散射光下反而更清晰。
- 时间覆盖：早晨、中午、傍晚都要有。早晚低角度阳光会让烟投射出长阴影，颜色也会偏暖。
采集的方式主要有两种：一是真火演练，在受控区域进行计划燃烧，无人机盘旋记录从冒烟到明火再到熄灭的全过程；二是事件记录，在实际火情或厂区异常排烟发生时，如果有无人机在场，同步保存原始视频。真火演练的优点是可以从“烟刚开始出现”就完整记录，这一点特别重要，因为模型最需要学习的就是早期微弱烟雾的特征。
2.2 抽帧筛选的关键帧策略
一个 15 分钟的巡飞视频，如果按 25 帧每秒抽帧，就是 22500 帧。不可能全标，也没必要全标。连续帧之间内容高度重复，全标反而会让训练集被大量相似样本主导，模型过拟合到某一段画面上。
我们的筛选策略是按“关键帧”而非“均匀抽帧”来操作：
- 烟雾初现阶段：从烟刚可见到明显扩散，每 3-5 帧选一帧，这是最高价值样本。
- 稳定扩散阶段：每 10-15 帧选一帧，覆盖不同形态和方向。
- 目标接近消失阶段：保留最后几帧，让模型学会在目标模糊时也能保持追踪。
- 火焰出现阶段：如果发展到了明火，重点保留，但这类样本不是主要学习对象，因为早期预警才是核心目标。
另外会刻意保留一些“目标很小”的帧，烟团只占画面面积的 2%-5%，甚至更小。这些难样本是提升模型在小目标上召回率的关键。很多数据集为了标注省事，喜欢保留目标大的清晰帧，结果是模型部署后对早期微弱烟雾完全没有反应。
2.3 标注规则与易错点
烟雾的标注比普通目标更容易出现标准不一致的问题。我们内部定了几条规则，踩过不少坑之后沉淀下来的：
第一个规则是“只标注有源点的烟，不标注无源扩散物”。云层投影、大面积低雾这种没有明确源点的扩散物，一律不标注为烟雾。标注员初期经常把云误标成烟，主观上觉得“像”，但这类样本会让模型学到错误特征。
第二个规则是记录“烟源类别”，而不是只画一个框。烟源分为森林植被燃烧、建筑火灾、工业排烟、秸秆燃烧等。不同烟源的烟雾形态差异明显，这个属性后续可以用于做分层训练或误报分析。
第三个规则是标注透明度等级：明显烟雾、轻度烟雾、模糊疑似。轻度烟雾和模糊疑似这两种样本会被单独管理，作为后续难例挖掘的种子池。
标注工具方面，日常用的是开源工具，比如 LabelImg 的矩形框标注和 X-AnyLabeling 的半自动辅助标注。烟雾目标边缘模糊，纯手动画框很容易画偏，半自动标注可以先框一个大范围，再用分割模型辅助修正边缘。不过辅助标注完必须人工逐帧过一遍，特别是“框是否包含了太多背景”这个问题，背景里的树冠纹理会被框进去，让模型以为烟雾应该包含树冠纹理，这是个隐性坑。
2.4 误报样本是数据集的“隐藏半壁江山”
很多刚接触烟火识别的人只关心正样本有多少，忽略了负样本。实际上在安防预警场景里，负样本的数量和设计水平直接决定了系统能不能用。
我们专门采集和标注了一批“易混淆负样本汇”：云层、晨雾、炊烟、工业水蒸气、车辆扬尘、建筑玻璃反光、逆光下的树叶亮斑、飞鸟群。这些样本不参与烟雾类训练，而是作为独立的负样本集，用于后续做分类复检模型的训练。模型在正负样本比例上，我们控制在正样本占 60%-70%，负样本占 30%-40% 左右，既保证对烟雾的敏感度，又让模型见过足够多的“假烟”。
在标注负样本时有个细节：不要只标“整幅图中没有烟”的纯负样本，还要标“图中存在疑似区域但实际不是烟”的静态帧。后者才是真正有价值的负样本，因为它能逼着模型学习区分“像烟的云”和“真正的烟”之间的细微差异。
数据标注的质量控制也值得提一句。我们采用“双人标注 + 交叉抽检”的方式：同一批帧由两位标注员独立标，计算框的 IoU，低于 0.5 的帧进入复核池，由唯一有经验的人做最终裁决。烟雾框的尺度差异本来就大，标注一致性不好控制，这个环节不能省。
3. 训练烟火识别模型时，我后来放弃了单模型方案
数据集构建完成后，真正开始训练算法时，我意识到烟火识别不适合用“一个大模型搞定所有事”的思路。原因很简单：检测模型的定位能力和分类模型的判别能力是两个维度，混合在一个模型里，往往两头都不够极致。我们最后采用的形式是“检测主模型 + 图像分类复检 + 视频时序投票”的组合方案。
3.1 检测主模型的选型：YOLO 系与 RT-DETR 的取舍
主模型我们用过 YOLOv8、YOLOv11，也测过 RT-DETR，最后项目落地更多选择 YOLO 系。原因主要有三个：
第一，部署生态成熟。无人机的机载算力有限，常用 Jetson 系列平台，YOLO 系模型转 TensorRT 引擎很顺手，各种量化工具链都是现成的。RT-DETR 的精度在某些测试集上略高，但部署时要处理 transformer 结构的动态 shape 问题，在低算力设备上延迟优势不明显。
第二，烟雾目标小且尺度变化大，YOLO 的多尺度检测头配合合适的训练策略，效果足够用。我们内部测试中，YOLO 系模型通过难例挖掘和增强策略，小目标召回率已经接近 RT-DETR 的水平，而推理速度明显更快。
第三，YOLO 系可以方便地启用分割辅助分支，用分割头辅助检测头学习烟雾轮廓。因为烟雾边缘模糊，单纯用矩形框回归容易抖动，加上分割分支后检测头相当于多学了一个“软边界”的中间表示，收敛更稳定。
但这不意味着 RT-DETR 一无是处。如果目标是对离线视频做事后分析，不追求实时性，RT-DETR 的全局建模能力在处理大面积弥散烟雾时有优势。我们的结论是：机载实时检测用 YOLO 系，地面离线二次分析用 RT-DETR 或更大模型。
3.2 训练策略：预训练、增强和难例回灌
训练细节上，我们积累了几点对烟雾识别特别有效的经验：
- 预训练权重不可少。自建数据集规模有限，不可能从零训练。用大规模公开检测数据集预训练后，再在烟火数据集上微调，收敛速度和最终精度都有明显提升。
- 数据增强策略要有针对性。除了常规的马赛克增强、随机裁剪、翻转，我们重点加了色彩抖动模块和模拟运动模糊模块。色彩抖动是为了对抗烟雾在不同光照下的色偏，运动模糊是模拟无人机飞行时的抖动拍摄效果。另外随机遮挡增强也很有效，因为真实巡检中烟雾经常被树冠部分遮挡。
- 难例回灌要持续进行。第一轮训练结束后，拿模型去跑一遍未标注的原始视频，把模型预测置信度在 0.3-0.7 之间的候选框挑出来，人工确认后回流到训练集。这些“让模型犹豫不决”的样本是提升模型能力最划算的投入。
值得单独说的是损失函数里的类别不平衡问题。烟雾检测里正样本远少于背景，常见做法是把分类损失里的正负样本比例调成 1:5 到 1:10 之间，或者直接用带聚焦损失的变体。我们实践下来，最简单的调整是增大烟雾类别的损失权重，这个对 min 类别的召回率提升非常直观，比堆复杂度更有效。
3.3 图像分类复检和视频时序投票：降误报的核武器
检测模型负责尽可能找出所有可疑目标，但它的缺点是对外观相似的假目标不够挑。于是我们把检测模型的每个候选框裁出来，送进一个独立的图像分类模型，让分类模型判断“这是烟还是不是烟”。
这个分类复检模型用 ResNet 或 EfficientNet 就够。训练数据用前面提到的人类标注的疑似烟样本、易混淆负样本，再把检测模型检出的假阳性框作为额外负样本加入。效果非常明显：某厂区场景里，白天太阳照射下的白色屋顶在检测模型里经常被当成烟，但分类复检模型能把这些滤掉，因为它在训练里见过足够多“白色矩形物体”的负样本。
视频时序投票进一步降低单帧误报。无人机视频是连续的，真正的烟雾不会只出现一帧就消失，而误报往往是瞬间的、闪烁的。我们设置了一个缓存窗口，连续 N 帧里如果有 M 帧命中了“检测+分类复检”两级确认，才判定为一次有效告警。在实际部署中，N 取 5 到 10 帧、M 取 3 到 6 帧，可视帧率调整。这样处理后，单帧噪声基本被消除。
4. 机载端与平台端的落地实战：很多坑不在算法里
算法在电脑上跑得好，不代表到了现场就能用。机载端的算力、带宽、散热，平台端的数据回传、人工复核，这些环节才是项目真正落地时最容易翻车的部分。
4.1 Jetson 上的模型转换与量化：烟雾特征最容易被量化吃掉
机载我们主要用的是 Jetson 系列。模型从 PyTorch 转到 TensorRT 要做 FP16 或 INT8 量化，这里有一个特别需要注意的现象：烟雾是低纹理目标，边缘渐变平滑，没有锐利的角点和强纹理，这类特征在 INT8 量化后非常容易丢失。量化感知训练比训练后直接量化好得多，校准集的数据构成也直接影响精度。
我们做过对比：用常规校准集做 INT8，量化后小目标召回率掉了 7 个百分点以上；换成包含大量小目标、低对比度烟雾帧的校准集后，降幅缩小到 2-3 个百分点以内。FP16 虽然占用资源多些，但在机载端如果显存够用，我建议优先用 FP16。只有在显存吃紧时才上 INT8，并且一定要做量化后的全量测试集评估，不能只看几张样例图。
另一个细节是输入分辨率。烟雾是小目标，输入分辨率太低会直接丢掉微弱烟团。我们在 Jetson 上把输入分辨率定为 1280 或 1536，推理帧率虽然比 640 低一些，但对小目标的召回率提升是值得的。这个取舍要根据实际巡检任务调节，如果飞机飞得高、目标小，分辨率优先级要高于帧率。
4.2 低带宽回传链路：不需要把全部视频传回地面
森林巡检场景经常面临 4G 信号覆盖差、卫星链路带宽小的问题。如果每路视频都全程回传，链路根本撑不住。我们的方案是在机载端先跑检测，只有当检测链路确认了疑似目标后，才将告警帧前后的短视频片段回传。平时只传低码率的缩略视频流供地面人员监视，或者干脆只传关键帧。
这个方案的代价是会依赖机载端模型的单机判断，所以两级确认中的分类复检在机载端也要跑，尽可能把误报在源头过滤掉。同时回传的片段要有冗余：从疑似目标出现前 10 秒开始截取，到确认消失后 5 秒结束，方便地面人员看到烟雾的运动趋势。
链路恢复方面，断点续传是刚需。我们遇到过飞行中信号丢失、回传失败的情况，如果片段没有本地缓存并自动续传，地面端就会漏掉关键数据。这个在野外巡检里是常见问题，处理方案很简单：录制的短视频存到机载存储卡，回传成功后自动删除，否则保留并在下次链路恢复时补传。
4.3 工业厂区场景的差异化调优：固定烟源和“白名单”
森林和厂区的烟火识别逻辑很不一样。厂区里常年存在正常排放的烟囱烟雾、冷却塔水蒸气、燃气锅炉排烟，这些都是“合法的烟”，如果模型一看到烟就告警，系统基本废掉。
我们在厂区落地时做了一套“固定烟源白名单”机制。第一步是先对厂区做一次专门的航拍建模，标出所有已知烟囱、水塔、蒸汽排放点的 GPS 坐标和大致高度。第二步是在检测结果中做地理信息过滤：如果检测框的中心点落在已知固定烟源的坐标范围内，且烟雾特征和该烟源的常规排烟模式匹配，就降级为“常规排烟记录”，不触发高级别告警。
但这个白名单不能一刀切。热电厂锅炉启动时排烟量大、颜色异常，这种潜在故障也需要预警。所以对白名单烟源我们单独设置了一套“排烟模式异常检测”逻辑，关注排烟浓度突变、颜色异常、持续异常时间等指标，而不是简单的“见烟就报警”。这套设计需要在项目初期和厂区安全负责人反复确认需求边界，否则模型训练和逻辑设计都会走偏。
4.4 告警分级设计：让每一条告警都有明确含义
部署初期，我们的告警只有“有烟/无烟”两态，结果值班人员一天收到几十条提示，大多数人直接不管了。后续改成了四级状态：
- 记录级：检测到疑似目标但置信度低，系统只记录，不推送。
- 提示级：单帧检测加分类复检通过，但时序投票未满足，推送给页面提示，不触发声音报警。
- 预警级：时序投票通过，人工复核前先行推送，通知值班人员关注。
- 确认级：地面人员通过回传视频确认，或者多源数据（热成像、火点监测）同时触发，直接推送处置指令。
这个分级设计既保证了早期烟雾的高灵敏识别，又避免大量无效提示消耗注意力。预警级的判定里还可以加入温度信息：如果机载端有红外热成像模块，将可见光烟雾检测和高温点检测做投票融合，能显著增强告警可信度。森林场景里，一个“疑似烟 + 高温点”的组合几乎没有误报空间。
5. 数据集版本管理：一个新手最容易忽视的长期问题
数据集建好、模型训好、系统跑起来之后，真正的长期成本才刚开始。无人机巡检项目是持续采集数据的，每新增一批视频，每发现一批新的误报，数据集都会变化。如果版本管理不到位，整个算法迭代会变得一团糟。
5.1 明确数据集的适用边界
任何数据集都有边界，这套无人机航拍火灾烟雾识别数据集也不例外。我们内部明确规定了它的适用范围：无人机中低空航拍视角、可见光相机、白天和黄昏环境为主。它不完全适用于固定摄像头视角、夜间红外场景、极高空卫星视角。边界写清楚不是坏事，反而能避免把模型用到不适合的场景里得出错误结论。
实际使用中，我发现最大的泛化问题是地域差异。我们采集的数据主要集中在某几个区域，植被类型、建筑风格相对固定；换到气候和植被完全不同的区域，模型表现会有明显下滑。所以如果要在新区域部署，第一件事是补充当地场景的采集数据，哪怕只有几百帧，也能有效缓解地域偏置。
5.2 主动学习闭环：让误报样本自动回流到训练流程
模型落地后不能停在原地。我们在项目里搭了一个简化的主动学习闭环：
- 每次巡检结束，机载端和平台端记录的告警结果、置信度日志自动汇总。
- 筛选出置信度在 0.4-0.7 之间的“模糊区间”检测结果，以及被人工复核判定为误报的样本。
- 这些样本自动打包进入标注队列，标注员确认后并入数据集新版本。
- 定期用新版本数据集重新训练和评估模型。
这套机制能让模型逐步适应新增场景，尤其对厂区这种固定场景每天积累的负样本非常有效。我们每两到四周触发一次小规模训练更新，每次加入数百到数千张新样本，模型误报率呈现持续下降曲线。
5.3 记录采集元信息，让数据集“可追溯”
最后说一个很多人忽略的事：数据集的元信息记录。每一帧样本不仅要有人工标注，还应该记录采集时间、GPS 坐标、飞行高度、云台角度、天气条件、能见度等元信息。
这些元信息有几个用途：一是做数据分布分析，比如可以快速发现当前数据集里晴天样本占比过高，阴天和低光样本不足；二是排查模型失败原因，比如某个场景连续误报，翻元信息发现是逆光条件样本覆盖太少；三是做数据版本回溯，当模型在新版本上效果回退时，能够定位是哪些数据变化导致的。我们每一期数据集都会生成一个版本清单，包含样本数量、场景分布、天气分布、标注版本、模型评估指标，这样整个项目迭代过程完全可以追溯。
在实际项目中，我最大的体会是：烟火识别系统的长期能力提升，不取决于评测集刷了多少分，而取决于数据闭环跑得多顺。每次出现新的误报、新的漏报，都是在给数据集补充最有价值的样本。只要这个循环在转，系统的实用性和鲁棒性就会持续变好。
最后分享一个具体的小技巧：在标注界面里把每帧的采集高度和天气条件直接显示出来，标注员看到高度信息后会更有意识地去判断目标尺度，避免把高空小目标漏标。这个改动很小，但对小目标样本的覆盖度改善非常明显。如果你也正在做无人机烟火识别项目，我建议从第一天就建立数据版本日志，把每一期的采集条件、标注规则、模型评估结果都记录下来，等迭代到数十期之后，你一定会庆幸当初做了这件事。
