本项目是一套基于YOLOv8的森林火灾检测系统，以Fire and Smoke 火焰烟雾检测数据集为数据基础，面向火焰与烟雾两类目标完成模型训练、评估与系统应用。系统提供Web 端和 PyQt6 桌面端，支持图片、视频和摄像头输入，并集成结果查看、历史查询、模型管理与训练指标展示，适用于项目设计、课程实践和答辩展示。
一、项目简介
面向森林及其他复杂背景中的火焰、烟雾检测，使用双类别图像与目标框标注训练模型。系统提供目标定位、置信度分布、批量任务、视频采样、模型管理与历史回查，便于结合原图复核检测结果。
| 组成 | 项目内容 |
|---|---|
| 数据集 | Fire and Smoke 火焰烟雾检测数据集 |
| 模型 | YOLOv8n |
| 识别任务 | 火焰与烟雾两类目标 |
| 实验资料 | 训练参数、日志、权重与已有图表 |
| 应用端 | 桌面界面与浏览器操作界面 |
二、系统功能设计
2.1 登录与功能入口
系统提供登录与注册，侧栏组织图片、批量、视频、摄像头、历史、模型和指标页面，账号分别保存任务及结果。
2.2 图片检测与置信度分布
单图支持缩放、类别筛选和目标定位，分别统计火焰与烟雾，列出坐标、尺寸、面积等明细，并展示置信度分布。置信度是模型预测分数，不能解释为火灾发生概率。
2.3 批量检测
支持多图和文件夹导入，显示进度、取消状态、逐图筛选与详情。可导出汇总 CSV、完整目标明细 CSV 和标注图片 ZIP，便于整理一批图像。
2.4 视频与摄像头
视频模块对采样帧调用模型，展示处理进度、趋势和类别统计，并生成标注视频。摄像头提供设备与采样控制。视频示例使用图片序列，累计检出次数按采样帧相加。
2.5 历史查询与结果保留
历史支持查询、删除和 CSV 导出。取消任务时保留已经完成的结果，统计与明细长期保存，方便回查处理过程。
2.6 模型与训练指标
模型页集中展示既有火焰烟雾权重与推理参数，指标页读取真实日志，展示损失、Precision、Recall 与 mAP，并区分最高轮次和最后一轮。
三、技术栈
| 类别 | 技术及用途 |
|---|---|
| 编程语言 | Python、JavaScript |
| 深度学习框架 | PyTorch |
| 模型训练与推理 | Ultralytics YOLOv8 |
| 桌面界面 | PyQt6 |
| Web 服务 | FastAPI |
| Web 前端 | HTML、CSS、JavaScript |
| 图像与视频处理 | OpenCV、NumPy |
| 训练日志与离线绘图 | Matplotlib；CSV 训练记录 |
| 结果保存 | Web 独立目录中的账号、任务、历史与结果文件 |
四、项目结构
项目将训练代码、界面、模型产物和 Web 服务分别组织，主要目录如下：
c128/ ├─ data/ ├─ douyin_article.md ├─ login_window.py ├─ main.py ├─ main_window.py ├─ models/ ├─ pages/ ├─ README.md ├─ requirements.txt ├─ runs/ ├─ train_yolo.py ├─ utils/ └─ web/ ├─ backend/ # 服务接口与推理任务 ├─ frontend/ # 页面与交互 └─ data/ # Web 独立运行数据本文对应的训练日志位于runs/train/fire_detection_20260201_191621/results.csv。 数据集按实际配置定位；浏览器端的运行结果独立保存在 Web 数据目录。
五、数据集说明
5.1 数据集与识别任务
项目使用Fire and Smoke 火焰烟雾检测数据集，面向火焰与烟雾两类目标。每个目标由类别与边界框共同描述，模型输出位置及对应预测分数。
5.2 数据规模与划分
以下数量按当前本机配套数据目录统计；所列划分对应本项目的数据组织。
| 数据划分 | 图像数量 |
|---|---|
| 训练集 | 6,900 |
| 验证集 | 862 |
| 测试集 | 863 |
| 合计 | 8,625 |
5.3 类别与标注格式
| 类别编号 | 类别名称 | 中文含义 |
|---|---|---|
| 0 | Fire | 火焰 |
| 1 | Smoke | 烟雾 |
YOLO 标注按每行一个目标组织：
class_id center_x center_y width height中心点坐标与宽高采用相对图像尺寸的归一化值，图像与 TXT 标注按文件名对应。
六、模型训练过程
6.1 训练流程
训练代码由train_yolo.py组织，先读取图像、类别与划分，再加载预训练模型进行训练，并保留逐轮日志与已有权重。
- 按当前数据目录读取图像及对应标签。
- 将输入调整为实验配置的尺寸，并应用训练预处理。
- 加载基础模型，在对应类别上进行训练。
- 在验证阶段计算指标并保存日志及权重。
- 使用已有训练图表分析结果，并在系统中加载权重开展推理。
6.2 模型与训练参数
| 参数 | 本次记录 |
|---|---|
| 基础模型 | YOLOv8n |
| 配置轮数 | 100 |
| 日志实际轮数 | 100 |
| 输入尺寸 | 640 × 640 |
| Batch Size | 16 |
| 优化器配置 | SGD |
| 预热轮数 | 3.0 |
| DataLoader Workers | 8 |
日志最后一行累计耗时为5,266.95 秒，约 87.8 分钟。 数据增强与学习率调度以本次参数记录和逐轮 CSV 为准；配置值与实际日志中的学习率分别读取。
6.3 训练产物
args.yaml：本次实验参数。results.csv：每一轮损失、检测指标和学习率。weights/：已保存的模型权重。- 训练图表：原始产物中的曲线、分布或评估图，见第八节。
七、训练结果与核心指标
7.1 最后一轮结果
以下为当前实验 CSV 的第100 轮验证结果：
| 指标 | 日志数值 | 百分比 |
|---|---|---|
| Precision | 0.8117 | 81.170% |
| Recall | 0.78148 | 78.148% |
| mAP@0.5 | 0.85177 | 85.177% |
| mAP@0.5:0.95 | 0.60715 | 60.715% |
7.2 各指标最高值
| 指标 | 最高值 | 对应轮次 |
|---|---|---|
| Precision | 0.82415 | 第 85 轮 |
| Recall | 0.79734 | 第 68 轮 |
| mAP@0.5 | 0.85216 | 第 97 轮 |
| mAP@0.5:0.95 | 0.60747 | 第 95 轮 |
单项峰值可能出现在不同轮次；末轮表用于查看同一轮完整结果，峰值表用于查看各指标在本次训练中的最高记录。
7.3 结果分析
火焰、烟雾在颜色、透明度和边界形态上差异较大。可结合定位指标与置信度分布复核预测区域，并对复杂背景和不同目标尺度开展同划分对照。
八、可视化图表说明
以下图片直接采用源码目录已有的训练产物，保留原始图表内容与数值。
8.1 训练与验证损失
展示图中对应的损失项随训练轮次的变化，结合训练与验证结果观察拟合情况。
8.2 检测指标变化
展示对应检测指标随训练轮次的变化，数值与本文列出的原始 CSV 结果按同一实验读取。
8.3 训练结果总览
集中展示训练过程中的多项损失和评测指标，便于结合完整实验查看收敛变化。
本项目为个人原创项目，配套源码、模型权重、训练资料和项目说明，可用于毕业设计、课程实践、简历展示及个人学习。有项目成品或定制需求，可以通过主页联系作者。
