简介：这份资源面向从事火灾检测与安全监控的算法工程师、安防开发者及计算机视觉学习者，基于ultralytics YOLO11实现烟雾目标检测，用于及时发现火灾隐患。包内提供已标注的目标检测数据集，同时包含YOLO格式txt标签与VOC格式xml标签，共746张图像，并已划分train、val、test三个子集，附带data.yaml配置文件，可直接用于YOLOv5、v8、v9、v10、v11、v12等算法训练，类别为smoke（烟雾）。压缩包共约2000个文件，以txt标签、xml标注、md说明文档、py训练与推理脚本为主，另含少量cpp、js、yaml等工程文件，整体约222.28MB，目录结构清晰，便于按模块检索与二次开发。资源还配有使用教程，帮助读者快速跑通数据加载、模型训练与推理流程。目前已有150人学习下载，适合需要烟雾检测方案、想快速复现实验或搭建火灾预警原型的读者参考。
1. 烟雾检测这件事，为什么我最后选了 YOLO11 而不是传统方案
厂区仓库那套老监控，值班师傅盯屏幕盯到眼花，等肉眼看见明火，基本已经晚了。真正要抢的是那几分钟——烟先起来，火还没成势。传统做法是烟雾传感器加阈值报警，问题是粉尘、水汽、蒸汽一多就误报，装了几十个探头，天天响，最后被人为关掉，等于没有。换成视觉方案后，核心诉求就一句话：从监控画面里把烟雾和火焰框出来，越早越好，误报越少越好。这份资源给的就是一条能直接跑通的路子——ultralytics 的 YOLO11 目标检测模型，配好了火灾烟雾数据集，还带了训练好的权重，省掉从零标注和调参的时间。适合做安防、园区、仓储、电力巡检这类场景的工程师，也适合想拿一个真实数据集练手 YOLO11 的人。下面我按自己拆包复现的顺序讲，重点放在怎么用、参数怎么设、哪里容易翻车。
2. 拆开这个包：数据集结构、类别定义与 YOLO11 选型理由
2.1 数据集长什么样，类别怎么定的
火灾烟雾检测的数据集，质量比模型结构更决定成败。这个包里数据集按 YOLO 标准格式组织，常见结构是 images 和 labels 两个平行目录，各自再分 train、val，图片和同名 txt 标签一一对应。标签每行是class x_center y_center width height，坐标全部归一化到 0 到 1 之间。类别一般就两类：smoke 和 fire，有的版本会拆得更细，比如浓烟、明火、阴燃，但类别越多，单类样本越少，小目标越难学。
先别急着训练，第一步是核对数据。我一般会跑一段脚本统计类别分布和图片尺寸，心里有数再动手。
import os from collections import Counter from pathlib import Path # 指向解压后的数据集根目录 root = Path("fire_dataset") for split in ["train", "val"]: label_dir = root / "labels" / split counter = Counter() empty = 0 for txt in label_dir.glob("*.txt"): lines = txt.read_text().strip().splitlines() if not lines: empty += 1 continue for line in lines: cls = int(line.split()[0]) # 每行第一个字段是类别 id counter[cls] += 1 print(split, "类别分布:", dict(counter), "空标签数:", empty)这段脚本做三件事：遍历标签目录、统计每个类别的框数量、统计空标签文件。空标签不是错误，它代表这张图里没有目标，属于负样本，对降低误报有用，但如果空标签占比超过三成，说明数据里混了太多无关背景图，得回头筛。类别分布如果严重倾斜，比如 fire 只有 smoke 的十分之一，训练时就要考虑给 fire 加权，或者补采样。
2.2 为什么是 YOLO11，而不是 YOLOv8 或两阶段检测器
选 YOLO11 有几个现实理由。第一，它属于 ultralytics 同一套 API，从 YOLOv8 迁过来几乎零成本，model.train()、model.predict()的调用方式一致，老代码改个权重名就能跑。第二，YOLO11 在骨干和颈部做了结构优化，同等精度下参数量和计算量更小，对边缘设备友好——火灾监控往往要部署在 Jetson 或者带算力的 NVR 上，模型轻一点，帧率就稳一点。第三，单阶段检测器推理快，烟雾这种目标不需要两阶段那种精细的候选框回归，速度优先更合理。
两阶段检测器像 Faster R-CNN 精度不差，但推理慢，实时监控场景下延迟高，而且部署链路更重。YOLO 系列在烟雾火焰这种纹理模糊、边界不清的目标上，靠的是多尺度特征融合，YOLO11 的 neck 部分对小目标响应更好，早期的小股烟雾更容易被捕捉到。
提示：如果手头已经有 YOLOv8 的训练脚本，不用重写，把模型配置从
yolov8n.pt换成yolo11n.pt即可，其余超参可以先沿用，再微调。
2.3 训练好的模型怎么验证是不是能用
包里带的训练好权重，别直接信，先拿自己的图跑一遍看效果。用 ultralytics 的命令行或者 Python 都行。
# 用训练好的权重对单张图或整个目录做推理 yolo predict model=best.pt source=./test_images conf=0.25 save=Trueconf=0.25是置信度阈值，烟雾检测里这个值很关键。调太低，蒸汽、灰尘全被框成烟雾，误报爆炸；调太高，早期淡烟漏检。我一般先在 0.25 跑一遍看召回，再往上试 0.4、0.5，找误报和漏报的平衡点。save=True会把带框的结果图存下来，方便肉眼核对。如果发现大量误报集中在某个场景，比如反光地面、白色墙面，那说明训练集里这类负样本不够，得补。
3. 从零跑通训练：环境、配置与关键参数
3.1 环境安装与那个经典的 ultralytics 报错
装 ultralytics 最常翻车的地方就是版本冲突。很多人直接pip install ultralytics报could not find a version that satisfies the requirement ultralytics，原因通常有两个：Python 版本太老，或者 pip 源里没有对应 wheel。ultralytics 现在要求 Python 3.8 以上，推荐 3.10 或 3.11。另一个坑是 torch 没装对，CPU 版和 CUDA 版混装，导致 ultralytics 装上了但一跑就报错。
稳妥的做法是先建虚拟环境，再按顺序装。
# 建一个干净的虚拟环境，避免和系统包打架 python -m venv fire_env source fire_env/bin/activate # Windows 用 fire_env\Scripts\activate # 先装匹配 CUDA 的 torch，再去装 ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics先装 torch 再装 ultralytics，是因为 ultralytics 会检查 torch 版本，顺序反了它可能拉一个不匹配的 CPU 版覆盖掉。cu121对应 CUDA 12.1，具体版本按自己显卡驱动来，用nvidia-smi看驱动支持的 CUDA 上限。装完跑yolo checks能打印环境自检，GPU 是否可用一目了然。
3.2 data.yaml 怎么写，路径坑在哪
YOLO 训练靠一个 data.yaml 描述数据集位置和类别。这个文件写错，训练直接起不来，而且报错信息往往很含糊。
# data.yaml path: /home/user/fire_dataset # 数据集根目录，绝对路径最稳 train: images/train # 相对 path 的训练图目录 val: images/val # 相对 path 的验证图目录 nc: 2 # 类别数量 names: # 类别名，顺序必须和标签里的 id 对应 0: smoke 1: firepath用绝对路径，别用相对路径，否则从不同目录启动训练时找不到数据。names的顺序必须和标签文件里类别 id 严格对应，id 0 是 smoke 就不能写成 fire，否则模型学出来的类别全反。nc要和 names 条目数一致，多一个少一个都会报维度错误。
3.3 训练命令与超参怎么调
训练入口很简洁，但超参决定成败。
yolo detect train \ model=yolo11n.pt \ # 从预训练权重起步，小数据集必须迁移学习 data=data.yaml \ epochs=100 \ # 烟雾数据一般 100 到 200 轮够用 imgsz=640 \ # 输入尺寸，边缘部署可降到 416 batch=16 \ # 按显存调，爆显存就减半 lr0=0.01 \ # 初始学习率 patience=20 \ # 20 轮没提升就早停，省时间 project=runs/fire \ # 输出目录 name=exp1model=yolo11n.pt里的 n 是 nano 版，最轻，适合边缘设备；如果服务器算力足、追求精度，换yolo11s.pt或yolo11m.pt。imgsz是输入分辨率，烟雾目标往往占画面比例小，分辨率太低会丢细节，640 是常用起点，显存不够再降。batch爆显存是最常见的翻车，报 CUDA out of memory 就把 batch 减半，或者把 imgsz 降到 512。patience早停能省大量时间，验证集指标连续 20 轮不涨就停，避免过拟合。
训练过程中重点看两个指标：mAP50 和 mAP50-95。mAP50 是 IoU 阈值 0.5 下的平均精度，反映能不能框到；mAP50-95 更严格，反映框得准不准。烟雾边界模糊，mAP50-95 通常比 mAP50 低不少，这是正常的，别因为 mAP50-95 低就以为训练失败。
3.4 训练完怎么导出和部署
训练完的权重在runs/fire/exp1/weights/下，best.pt是验证集最优，last.pt是最后一轮。部署时按目标平台导出。
# 导出 ONNX，通用性最好，适合大多数推理框架 yolo export model=best.pt format=onnx imgsz=640 # 导出 TensorRT，NVIDIA 边缘设备上速度最快 yolo export model=best.pt format=engine half=True device=0ONNX 适合跨平台，TensorRT 在 Jetson 这类设备上能榨出最高帧率，half=True用 FP16 精度换速度，精度损失通常可接受。导出后建议拿几张测试图对比导出前后的检测结果，确认没有精度掉太多。
4. 避坑与排查：烟雾检测里那些血泪经验
4.1 误报满天飞，蒸汽和烟雾分不清
现象：模型把开水房蒸汽、清晨雾气、白色墙面反光全框成 smoke，报警响个不停。原因：训练集里负样本不足，模型没见过这些"像烟但不是烟"的场景，把颜色和纹理特征当成了烟雾的充分条件。解决：专门收集误报场景的图，作为负样本加入训练集，标签留空，重新训练。负样本比例控制在总样本的两到三成，能显著压低误报。另外推理时把 conf 从 0.25 提到 0.4 到 0.5，也能过滤掉一批低置信度的假阳性。
4.2 小目标漏检，远处刚起的烟看不见
现象：近处浓烟框得很准，画面远处刚冒的一缕淡烟完全没反应。原因：输入分辨率不够，小目标在特征图上只剩几个像素，下采样后信息丢失。解决：把 imgsz 从 640 提到 960 甚至 1280，代价是推理变慢、显存占用上升。另一个办法是在数据增强里开启 mosaic 和 scale，让模型多见小目标。如果部署设备算力有限，可以考虑切图推理，把大画面切成小块分别检测再合并。
4.3 训练 loss 不降或者直接 NaN
现象：训练几轮后 loss 变成 nan，或者一直卡在高位不下降。原因：学习率太大、数据标签有非法值（坐标超出 0 到 1）、或者某张图标签格式错误。解决：先把 lr0 从 0.01 降到 0.001 试；再写脚本校验所有标签，坐标必须在 0 到 1 之间，宽高必须大于 0。标签里出现负数或者大于 1 的值，训练必然崩。校验脚本遍历每个 txt，发现越界就打印文件名，逐个修。
4.4 验证集指标虚高，上线就拉胯
现象：验证集 mAP 很漂亮，实际部署后效果差一大截。原因：训练集和验证集来自同一批视频抽帧，画面高度相似，验证集没有真正代表线上分布。解决：划分数据集时按视频或按时间段切分，别随机抽帧，保证验证集里的场景训练时没见过。如果线上有多个摄像头，尽量让验证集覆盖不同摄像头、不同光照条件。
4.5 显存爆了，batch 调不下去
现象：报 CUDA out of memory，减 batch 还是爆。原因：imgsz 太大，或者同时开了太多数据加载进程。解决：优先降 imgsz，它对显存的影响是平方级的，640 降到 416 显存能省一半以上。其次把workers调小，数据加载进程太多也会占显存。还可以开梯度累积，用小 batch 模拟大 batch 的效果，nbs参数控制。
5. 进阶技巧：把误报压到最低的几个实操手段
训练跑通只是及格线，真正上线要解决的是误报率。我自己的习惯是，模型训完之后一定要做一轮"负样本压力测试"——专门找一堆绝对不该报警的图，蒸汽、白云、灰尘、橙色灯光，全喂给模型，看它框出多少。框出来的每一张，都加进负样本重训。这个循环走两三遍，误报能压下去一大截。
第二个手段是时序过滤。单帧检测难免抖动，同一位置连续多帧都检出烟雾才触发报警，能过滤掉大量瞬时误报。实现上用一个简单的滑动窗口，记录最近 N 帧的检测框，IoU 重叠超过阈值的累计计数，超过 M 帧才确认。这段逻辑不复杂，但效果立竿见影。
# 简化的时序确认逻辑：连续多帧命中才报警 from collections import deque history = deque(maxlen=10) # 保留最近 10 帧的检测结果 def confirm_alarm(detections, iou_thresh=0.5, min_hits=3): history.append(detections) if len(history) < min_hits: return False # 统计最近帧里与当前框重叠的命中次数 hits = 0 for prev in list(history)[:-1]: for d in prev: for cur in detections: if iou(d, cur) > iou_thresh: hits += 1 return hits >= min_hitsmaxlen=10控制窗口长度，min_hits=3是确认阈值，iou_thresh判断是不是同一个目标。参数按帧率和场景调，帧率高可以适当加大窗口。这套逻辑对烟雾这种持续存在的目标特别有效，对一闪而过的干扰几乎免疫。
第三个手段是分级报警。把置信度分成几档，高置信度直接报警，中置信度标记待确认，低置信度忽略。配合人工复核界面，值班人员只需要看中高置信度的推送，负担小，也不会漏掉真警。
最后一个容易被忽略的点是模型更新。火灾场景会变，季节、设备、装修都会改变画面分布，模型不是训一次管一辈子。我一般每季度拿新数据跑一次验证，指标掉了就补数据重训。从那以后我每次上线前都强制走一遍负样本压力测试和时序过滤验证，宁可多花半天，也不想半夜被误报电话叫醒。希望帮到你。
本文还有配套的精品资源，点击获取
