简介基于YOLOv8的森林火灾早期烟雾预警项目面向计算机视觉、深度学习方向的毕设与课程设计场景适合计科、人工智能、自动化等专业学生作为完整实践参考。包内集成源码、可视化界面、完整数据集和部署说明一并提供核心指标曲线、混淆矩阵、F1分数曲线、PR曲线、验证集预测结果及标签分布图可直接支撑论文图表与答辩展示。资源共8个文件主要包括3个Python脚本模型训练、视频检测、可视化页面、3个模型权重文件yolov8n、best、yolo11n以及2个说明文档压缩包15.91MB结构精简、即下即用。已有53人学习浏览代码经测试运行成功对于希望快速搭建森林火灾预警演示系统的读者能节省大量调试时间拿来即可二次开发。1. 为什么烟雾比明火更难预警YOLOv8 在森林火灾早期发现里的定位森林火灾预警最值钱的时间窗口在烟雾阶段明火出现时往往已经错过了最佳处置时机。但烟雾恰好是最不适合目标检测的目标半透明、缺少硬边缘颜色与云、雾、山间水汽重叠晴天高光还会让烟柱在几百毫秒内从清晰变成不可见。这也是为什么这类毕设、课设项目普遍选择 YOLOv8——它生态完善、权重文件不大、训练到部署的链路短配合 PyQt5 或 Web 界面就能在几天内包出一套能演示的预警系统。对要交付课程设计或毕业设计的人难点从来不只在训练精度而在于把数据、训练、界面和误报控制串成一条可复现的路径。下面按这条路径展开先立住数据基础再讲训练验证最后落到部署和压误报。2. 训练自己的烟雾数据集标注格式、目录划分与 data.yaml 配置监控视频里的早期烟雾目标通常很小标注质量直接决定最终效果。训练开始前先要确认数据以 YOLOv8 要求的格式存在数据集根目录下并列 images 和 labels 两个目录train 与 val 里图像和标签一一对应每个 txt 与同名图片对应每行是class x_center y_center width height四个坐标都相对图片宽高做 0 到 1 归一化。很多第一次跑的人在这里出错从标注软件导出的是 VOC 的 xml 或 COCO 的 json没有转成 txt或者是标注时把整棵树冠框进去导致模型学习到的不是烟雾轮廓而是大片背景。早期烟雾检测的标注原则是框要贴住烟团主体宁可多标几个小框也不要扩展到大片天空。2.1 数据来源与负样本比例不能只收集“好看的烟”公开的 smoke detection、森林火灾检测类数据集里晴天蓝天背景的白烟占绝大多数。用这类数据训出来的模型遇到阴天晨雾、山体阴影、逆光云缝就会疯狂误报。常见做法是拿一到两个场景较丰富的公开烟雾集做底再从自然监控录像里截取几百张完全没有烟的林区画面作为负样本。负样本不需要标注仅仅放在 images 的 train 和 val 目录里模型会自动把它们归为背景。正负样本比例我一般控制在 3:1 到 5:1负样本太少部署阶段摄像头稍微转个角度模型就会把云和山影识别成烟。把样本收集齐之后需要检查是否有损坏图片、空标签、标签文件缺失。空标签在早期烟雾场景里属于正常负样本没有标签但如果正样本里有空 txt说明标注遗漏这种样本在训练时会直接被当作背景模型会因此认为“这张图没有烟”对降低召回率影响很明显需要补标或直接删掉。2.2 目录划分与标签格式检查脚本我一般会先用脚本把数据集按 90% / 10% 拆成 train 和 val再扫一遍标签把坐标越界、类别 ID 超范围、字段数量不对的文件单独列出来。下面的脚本可以直接改路径运行使用 shutil 复制而不是移动文件保证原始标注数据不会被破坏。import os import random import shutil from pathlib import Path SRC_IMG Path(datasets/images_all) SRC_LAB Path(datasets/labels_all) DST Path(datasets) VAL_RATIO 0.1 random.seed(42) for split in (train, val): # 创建 images 与 labels 的子目录 (DST / images / split).mkdir(parentsTrue, exist_okTrue) (DST / labels / split).mkdir(parentsTrue, exist_okTrue) imgs sorted(SRC_IMG.glob(*.jpg)) sorted(SRC_IMG.glob(*.png)) random.shuffle(imgs) val_n max(1, int(len(imgs) * VAL_RATIO)) for i, img_path in enumerate(imgs): split val if i val_n else train label_path SRC_LAB / (img_path.stem .txt) if not label_path.exists(): # 缺标签时打印警告便于定位漏标样本 print(f[WARN] label not found: {label_path}) continue shutil.copy(img_path, DST / images / split / img_path.name) shutil.copy(label_path, DST / labels / split / label_path.name)这段脚本里VAL_RATIO 0.1表示验证集占 10%数据集在一两千张级别时这个比例够用样本再多可以用 8:2。随机种子固定为 42 是为了让每次划分完全一致训练结果可以横向对比如果打印出来的 WARN 太多说明源头数据缺标注不要直接训练回到标注阶段补齐。划分之后还要做一次标签内容检查重点看坐标是否越界、类别 ID 是否从 0 开始连续排列。单类别烟雾项目里类别 ID 只有 0如果项目同时检测 smoke 和 fire则 0 是 smoke1 是 fire类别映射需要与 data.yaml 保持一致。def check_label(file, class_num1): errors [] with open(file, encodingutf-8) as f: for line in f: parts line.split() if len(parts) ! 5: errors.append((field, line)) continue cls, xc, yc, w, h parts xc, yc, w, h map(float, (xc, yc, w, h)) if int(cls) class_num: errors.append((class, line)) if not (0 xc 1 and 0 yc 1 and 0 w 1 and 0 h 1): errors.append((bbox, line)) return errorsclass_num是类别总数单类烟雾写 1遇到报错行可以直接输出文件名和内容定位。坐标检查这一步很容易被跳过尤其是用半自动标注工具时偶尔会出现框超出图片边界归一化后 w 或 h 大于 1 的数据YOLOv8 的训练过程不会直接报错但 mAP 会被异常框拉低且问题非常隐蔽。2.3 data.yaml 与训前必改的 4 个参数数据格式就绪后写 data.yaml 是训练前最后一步。它的作用是把数据根目录、子目录、类别名告诉训练入口。path: D:/datasets/smoke_data # 数据集根目录用绝对路径 train: images/train # 相对 path 的训练图像目录 val: images/val # 相对 path 的验证图像目录 names: 0: smoke # 类别 ID 从 0 开始 # 1: fire # 如果有明火类别取消注释并保证标注一致这里最容易踩坑的 4 个点第一path必须是绝对路径且不要包含中文和空格Windows 下中文路径在 PyTorch DataLoader 中偶尔会产生编码报错排查起来很花时间第二train和val是相对path的子路径不要写绝对路径也不要写./images/train这种带当前目录标识的写法第三names的顺序必须和标签文件里的类别 ID 完全对应容量不大时经常出现标注软件导出 ID 从 1 开始的情况第四如果 Windows 下训练时报共享内存或 worker 相关错误在训练参数里加workers2并在第一次运行时观察 cache 是否正常生成。提示训练前先跑一条yolo detect train datasmoke.yaml modelyolov8s.pt epochs1作为 smoke test。它会启动训练流程但立刻结束如果 10 秒内没有报错说明数据目录、YAML 格式、依赖库都是通的再跑正式训练。3. 训练与验证C2f 结构特点、训练命令与损失曲线判断数据准备好之后训练阶段的核心不是把命令跑起来而是知道每个参数在改什么以及训练结束后如何从曲线里判断模型状态。这一章从 YOLOv8 backbone 的 C2f 结构讲起给出适配普通显卡的训练参数组合最后落到 loss 曲线读取。3.1 YOLOv8 的 C2f 结构对烟雾目标提取的影响YOLOv8 在 backbone 中用 C2f 替换了之前的 C3 模块。C3 是 split 后走一条 Bottleneck 支路再 concatC2f 则让输入经过多个 Bottleneck 后把不同层级的输出拼到一起再做跨阶段融合。这意味着梯度可以沿多条支路回传浅层纹理信息能更完整地保留到后续层。烟雾这种目标纹理弱、边缘模糊靠的是“灰白渐变区域”的整体上下文C2f 对这种低频特征的保留能力比 C3 有明显改善。但如果漏检集中在极远处的细烟柱不要指望改 C2f 结构就能解决。小目标问题在 YOLOv8 上更多受限于输入分辨率和特征金字塔的 stride。常见做法是把 imgsz 从 640 提到 896或者给检测头加一个 stride4 的 P2 输出层再激进一点可以引入注意力模块比如在 backbone 输出后接一个轻量的通道注意力层。做这些改进前先跑出基线用同一份验证集对比否则无法判断改动是否有效。3.2 用命令行跑通训练GTX 1660 Ti 也能用的参数组合训练烟雾检测推荐从 yolov8s 开始不要直接上 yolov8x。烟雾目标相对单一类数少yolov8s 的容量足够拟合几千张数据显存占用也友好。命令行示例如下yolo detect train \ modelyolov8s.pt \ datasmoke.yaml \ imgsz640 \ epochs100 \ batch8 \ device0 \ patience20 \ workers2 \ ampTrue \ projectruns/smoke \ nametrain参数作用GTX 1660 Ti 6G 推荐值model预训练权重启动速度快yolov8s.ptimgsz训练输入分辨率越高小目标越好640显存够可试 896epochs最大训练轮数100配合早停足够batch每轮迭代的图片数8显存不足改 4patience验证损失连续多少轮不降就停20workers数据加载线程数2Windows 下太高易卡死amp混合精度训练TruedeviceGPU 编号CPU 用 -10这段参数组合的核心逻辑是用预训练权重做迁移学习epochs 不需要太大靠 patience 早停自动收敛batch 优先保证能放进显存gtx1660ti 6G 上 batch8 加 imgsz640 是稳定组合out of memory 就降到 4不要为了凑 batch 去关 amp。训练完成后best.pt 和 last.pt 会存放在runs/smoke/train/weights/下best.pt 是验证集指标最好的权重部署时只用它。训练中途如果想看当前效果可以另开一个终端对单张图片做推理yolo detect predict \ modelruns/smoke/train/weights/best.pt \ sourcetest_images/smoke_001.jpg \ conf0.25这个小命令不需要重新加载训练环境模型还在跑也能执行适合在训练过程中抽查漏检情况。3.3 从 results.csv 画损失函数曲线图判断过拟合Ultralytics 在训练目录下会自动生成 results.csv每一行是一个 epoch 的各项指标。直接用 pandas 和 matplotlib 读取即可不需要自己写训练日志。import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/smoke/train/results.csv) df.columns [col.strip() for col in df.columns] # 对 train loss 做 5 帧滑动平均曲线更平滑 for col in [train/box_loss, train/cls_loss]: df[col _smooth] df[col].rolling(5).mean() plt.figure(figsize(10, 6)) plt.plot(df[epoch], df[train/box_loss_smooth], labeltrain/box_loss) plt.plot(df[epoch], df[val/box_loss], labelval/box_loss) plt.plot(df[epoch], df[train/cls_loss_smooth], labeltrain/cls_loss) plt.plot(df[epoch], df[val/cls_loss], labelval/cls_loss) plt.xlabel(epoch) plt.ylabel(loss) plt.legend() plt.grid(True) plt.show()注意 train loss 是最后一个 batch 的瞬时值抖动很大做滑动平均再看趋势。判断要点train loss 持续下降而 val loss 在第 20 轮左右开始回升属于典型过拟合可以把 epochs 降到 60 或把 patience 从 20 调到 10cls_loss 降不下去而 box_loss 正常优先怀疑负样本不足补充云、雾、树影图片后重新训练val loss 和 train loss 同步下降但 mAP50 不涨问题出在验证集标注质量上回去检查标签。训练目录下的 confusion_matrix.png 也要看重点看背景类被预测为 smoke 的比例。如果这个值高于 5%说明误报风险高部署时不能直接用默认 conf0.25。4. 可视化界面与部署用 PyQt5 封装 best.pt 跑通图片、视频、摄像头训练完成后进入交付阶段。毕设场景里的“可视化界面”有两个常见路线Gradio Web 界面和 PyQt5 桌面界面。Gradio 启动快、三行代码就能用浏览器访问但做监控预警的观感不如桌面程序且摄像头输入要走额外桥接。PyQt5 的优势是画面渲染、检测画框、状态报警都在一个进程里逻辑直观部署依赖也简单。下面按 PyQt5 路线给出工程结构。4.1 项目结构与推理引擎封装一个最小可用的部署项目包含四个文件main.py 负责启动界面engine.py 封装模型推理weights/best.pt 放训练产物requirements.txt 固定依赖。推理引擎的核心是把单帧图像传进模型返回边界框和置信度不掺任何界面逻辑。from ultralytics import YOLO import numpy as np class SmokeEngine: def __init__(self, weightsweights/best.pt, conf0.25, iou0.6, imgsz640): self.model YOLO(weights) self.conf conf self.iou iou self.imgsz imgsz def predict(self, frame): # frame 是 OpenCV 读出来的 BGR ndarray results self.model.predict( frame, imgszself.imgsz, confself.conf, iouself.iou, verboseFalse)[0] boxes results.boxes.xyxy.cpu().numpy() scores results.boxes.conf.cpu().numpy() return boxes, scores这里 conf 和 iou 做成实例属性是为了让界面上的阈值滑块可以直接改engine.conf下一帧立即生效。iou0.6是 NMS 阈值烟雾检测场景目标重叠少一般不需要动。conf 在训练时常用 0.25部署阶段建议提到 0.4 以上云层干扰会明显减少。4.2 PyQt5 主窗口画框、置信度与报警状态界面部分的核心是 QTimer 周期性读取画面送入推理引擎再把检测结果画回图像。下面的代码是主窗口里的核心槽函数按钮和布局逻辑按常规 PyQt5 写法补充即可。import cv2 from PyQt5.QtCore import QTimer from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtWidgets import QMainWindow from engine import SmokeEngine class SmokeUI(QMainWindow): def __init__(self): super().__init__() self.engine SmokeEngine(conf0.40, iou0.6) self.cap None self.timer QTimer(self) self.timer.timeout.connect(self.process_frame) def start_camera(self, index0): self.cap cv2.VideoCapture(index) self.timer.start(33) # 约 30 FPS 的取帧间隔 def process_frame(self): ok, frame self.cap.read() if not ok: return boxes, scores self.engine.predict(frame) alert False for box, score in zip(boxes, scores): if score self.engine.conf: alert True x1, y1, x2, y2 box.astype(int) color (0, 0, 255) if alert else (0, 165, 255) cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2) cv2.putText(frame, fsmoke {score:.2f}, (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) self.set_alert_light(alert) self.show_frame(frame)QTimer 的 33ms 只是取帧间隔实际帧率取决于推理耗时。1660 Ti 上跑 yolov8s 大约 20 到 40 FPS界面刷新会自动跟随推理速度不需要额外做线程同步。要是出现界面卡顿优先把cv2.putText和画框逻辑移到推理前的原图上或者降低imgsz到 480 试跑。报警状态这里只做了单帧判断下一章会加入帧间投票来压低误报。4.3 部署清单与一键启动requirements.txt 建议写成ultralytics8.0.0 PyQt55.15 opencv-python4.8启动流程是三条命令。conda 环境用 Python 3.10兼容性和第三方库支持都比 3.12 稳妥。conda create -n smoke python3.10 -y conda activate smoke pip install -r requirements.txt python main.py没有 N 卡的机器也能跑CPU 推理单帧会到 500ms 以上演示图片和视频足够但摄像头实时预览会不流畅。要把模型部署到 RK3588 这类边缘设备需要先转 ONNX 再用板端推理框架这就不是毕设演示范畴的事了。5. 误报抑制与验收帧间投票、ROI 蒙版与置信度阈值扫描训练集以晴天白烟为主时部署后最常见的假报警来自云缝光斑、晨雾和山体阴影。这三类干扰在单帧检测里几乎无法和烟雾区分可靠的做法是加时间约束和空间约束。5.1 帧间投票 ROI 蒙版连续命中才报警单帧置信度高的误检通常是随机出现的而真实烟雾会在画面中连续存在几十秒到几分钟。用一个固定长度的队列记录最近若干帧是否检测到烟只有投票数达到阈值才触发报警同时用 ROI 蒙版把检测范围限制在山脊上空的重点区域。from collections import deque class TemporalAlert: def __init__(self, window5, vote3, min_score0.45, roiNone): self.window window self.vote vote self.min_score min_score self.roi roi # 二值蒙版检测框中心落在蒙版内才生效 self.history deque(maxlenwindow) def update(self, detections): # detections: [(score, (cx, cy)), ...] hit False for score, (cx, cy) in detections: if score self.min_score: continue if self.roi is not None and self.roi[cy, cx] 0: continue hit True break self.history.append(1 if hit else 0) return sum(self.history) self.votewindow5、vote3 表示最近 5 帧里至少有 3 帧检测到烟雾才触发报警单个帧的随机误报最多贡献 1 票无法触发。真实烟雾持续存在最多延迟 2 帧报警对人眼几乎无感。释放报警也有延迟烟雾消散后需要再连续 2 帧无检测才会释放这个滞后特性对监控场景是合理的。ROI 蒙版用np.zeros建画布再用cv2.fillPoly画一个覆盖山顶区域的多边形区域外的云影直接不参与投票误报率能再降一截。要特别注意如果不用 ROI窗口投票会被不同位置先后出现的误检累积票数此时应改为按检测框中心距离做目标关联只对同一位置的连续命中累计。5.2 在验证集上扫描置信度阈值调好时间维度后还需要确定 conf 值。训练默认的 0.25 是目标检测通用值不等于这个数据集的部署值。做法是对验证集跑一个循环conf 从 0.05 到 0.90 按 0.05 步进统计每次的 precision、recall 和 F1选 F1 最大时的 conf 作为部署参数。这个流程不需要重新训练几分钟就能跑完。实际项目中我的默认组合是 conf0.45、window5、vote3再用 ROI 覆盖重点监控区域。最后用一段完全没有参与训练的雾天录像做回归测试统计误报次数和烟雾漏报情况一小时内误报事件不超过两次报警能在烟雾可见后 5 秒内触发这套预警系统才算真正验收通过。本文还有配套的精品资源点击获取
