【Pytorch + SpringBoot + Flask + Vue】基于YOLOv12 火灾烟雾检测系统（源码）

一、项目背景火灾是威胁人民生命财产安全的主要灾害之一具有突发性强、蔓延速度快、扑救难度大等特点。据应急管理部消防救援局统计2023年全国共接报火灾89.5万起直接财产损失达67.5亿元。在各类火灾事故中因发现不及时、报警延迟导致小火酿成大灾的案例占比超过60%。传统火灾探测主要依靠烟雾传感器、温度传感器等物理设备这类探测器通常需要烟雾达到一定浓度或温度升至阈值才会触发报警在开阔空间、大尺度建筑或室外场景中响应速度往往滞后难以满足早期预警的需求。与此同时视频监控系统已广泛应用于各类场所但传统监控依赖于值班人员的人工盯防长时间观看屏幕容易产生视觉疲劳漏报误报现象难以避免。近年来计算机视觉技术的快速发展为火灾早期 detection 提供了新的技术路径。基于深度学习的目标检测算法能够从视频流中实时识别火焰与烟雾的视觉特征在火灾初起阶段即可发出预警为人员疏散与初期扑救争取宝贵时间。其中YOLO系列算法凭借其出色的检测速度与精度已成为实时目标检测领域的主流框架。YOLOv12作为该系列的最新迭代版本在网络结构、特征融合、训练策略等方面进行了多项优化进一步提升了小目标检测能力与复杂场景下的鲁棒性特别适合烟雾这种形态多变、边缘模糊的检测目标。然而将深度学习模型落地为实际可用的应用系统仍面临诸多技术挑战。模型推理需要高性能计算资源算法需与业务逻辑深度整合检测结果需要可视化呈现与实时告警这些需求涉及计算机视觉、后端开发、前端展示等多个技术领域。PyTorch作为当前主流的深度学习框架提供了灵活的模型定义与训练接口便于YOLOv12模型的加载与推理Spring Boot作为成熟的Java后端框架擅长处理用户管理、设备管理、告警记录等业务逻辑Flask轻量级Python框架可快速封装模型推理服务Vue与Element Plus则能构建直观实时的监控界面。四者的有机结合能够构建一个从模型推理到业务应用完整贯通的火灾烟雾检测系统。基于上述背景本课题拟设计并实现一个基于PyTorch SpringBoot Flask Vue的火灾烟雾检测系统以YOLOv12为核心检测算法探索深度学习与传统企业级开发框架的深度融合应用。系统的建设不仅能够提升火灾早期预警的智能化水平为各类场所提供全天候、自动化的消防安全监测手段也是对计算机视觉技术在安全防范领域落地应用的积极实践为智慧消防建设提供可复用的技术解决方案。二、技术介绍支持平台与技术栈架构B/S前端 Vue3 后端 Spring Boot Flask 中台 PyTorch 推断服务主体语言Python (PyTorch, Flask), Java (Spring Boot), JavaScript (Vue3)数据库MySQL可替换前端Vue3 Element Plus Pinia Axios模型YOLOv5/YOLOv8/YOLO11/12基于 PyTorch其他SocketIO实时消息/进度FFmpeg视频转码JSZip前端文件夹上传压缩功能清单单张图片检测上传并返回 outImg、label、confidence、耗时图片文件夹批量检测打包上传、后台预测、返回批量结果上传视频 / 处理视频并返回带标注的视频MJPEG 实时流 后台转码保存实时摄像头检测打开摄像头流并输出实时标注 保存录像AI 智能建议DeepSeek / Qwen 接口可生成维护建议/风险评估预测记录管理前端展示历史记录支持删除/查看PDF 报告导出检测详情 AI 建议本系统采用浏览器/服务器B/S架构用户无需安装任何客户端软件仅通过浏览器即可访问火灾烟雾检测系统的各项功能支持Windows、macOS、Linux等主流操作系统并完美适配PC端与移动端浏览器实现跨平台的便捷访问。系统整体采用前端Vue3 后端Spring Boot Flask中台 PyTorch推断服务的多层混合架构充分发挥不同技术栈的各自优势构建从视频采集、模型推理到业务管理完整贯通的智能化监测平台。系统融合三种主流编程语言各司其职、协同工作。Python作为深度学习核心语言负责YOLO系列模型的加载、推理与后处理利用其丰富的科学计算生态与深度学习框架支持完成烟雾火焰的实时检测任务。Java作为企业级后端开发语言承担用户管理、设备管理、告警记录、数据统计等核心业务逻辑凭借其出色的稳定性与事务处理能力保障系统长期可靠运行。JavaScript配合Vue3框架构建前端用户界面实现监控画面的动态展示与实时交互为用户提供流畅直观的操作体验。系统采用MySQL作为主数据库存储用户信息、监控设备列表、检测记录、告警日志、系统配置等结构化数据。MySQL具备良好的事务支持与查询性能能够满足系统对数据一致性与访问效率的需求。数据库设计遵循第三范式通过合理的表结构设计与索引优化确保海量检测记录下的快速检索。考虑到不同部署环境的需求系统支持数据库的可替换性可便捷迁移至PostgreSQL、Oracle等其他关系型数据库或根据场景需要引入Redis缓存热点数据提升系统响应速度。前端基于Vue3框架构建采用组合式API与script setup语法糖使组件逻辑组织更加清晰代码复用更加便捷。UI组件库选用Element Plus其丰富的组件类型与优雅的视觉风格能够快速搭建出符合用户习惯的监控界面针对视频监控场景特别优化了视频播放器、实时画框、告警弹窗等核心组件。状态管理采用Pinia替代传统的Vuex其简洁的API设计与完整的TypeScript类型推导使跨组件状态管理更加清晰可控。网络请求通过Axios封装统一处理请求拦截、响应解析、错误重试与异常提示简化业务代码中的网络通信逻辑。系统核心检测能力基于YOLO系列目标检测算法实现支持YOLOv5、YOLOv8、YOLO11、YOLOv12等多个版本的自由切换与对比实验。所有模型均基于PyTorch深度学习框架构建与训练充分利用其动态计算图特性与完善的生态系统。针对火灾烟雾检测的特殊需求模型在公开数据集基础上进行领域微调增强对烟雾形态多变、边缘模糊、光照变化等复杂场景的适应能力。系统支持模型的热加载与动态切换用户可根据实际场景在检测速度与精度之间进行权衡选择。为实现实时监测与视频处理能力系统引入多项中间件技术。SocketIO实现前后端的双向实时通信当模型检测到烟雾或火焰时服务器主动推送告警信息至前端实时更新监控画面中的检测框与置信度同时支持检测进度的实时反馈。针对视频流处理场景集成FFmpeg多媒体框架支持RTSP、RTMP、HLS等多种视频协议的解码与转码将各类摄像头的原始视频流转换为统一的处理格式同时支持视频片段的裁剪、压缩与格式转换。JSZip库实现前端文件夹的上传与压缩功能用户可批量上传监控视频文件前端自动打包后传输至服务器进行离线检测大幅提升批量处理效率。用户通过Vue3前端上传视频或接入摄像头实时流请求经Spring Boot后端转发至Flask中台。Flask服务调用PyTorch加载的YOLO模型完成逐帧检测检测结果通过SocketIO实时推送至前端展示。Spring Boot负责记录检测历史、管理告警规则、维护设备信息并提供数据统计与报表生成接口。各层之间职责清晰、耦合度低既保证了深度学习任务的独立优化又实现了业务逻辑的稳定可靠为火灾烟雾的智能监测提供了完整的技术解决方案。三、功能介绍基于 YOLOPyTorch与大模型DeepSeek / Qwen结合的火灾烟雾检测检测与智能分析系统支持单图/批量/视频/实时摄像头输入含前后端完整源码与环境配置可开箱即用并支持定制。系统亮点多场景检测支持单张图片、图片文件夹、视频和实时摄像头等输入方式。实时反馈前端实时展示检测结果并能导出 PDF 报告。高精度识别基于 YOLO可选v5/8/11/12 PyTorch专注火灾烟雾检测两类火焰烟雾。智能分析可接入 DeepSeek / Qwen 生成检测建议风险评估、修复建议等。直观 UI基于 Vue3 Element Plus 的简洁操作界面。完整交付源码、训练好的模型、环境配置与使用指导文档一并交付可按需定制功能或数据集训练。可定制模型类别、检测阈值、输出格式、UI 文案等已训练好模型本项目默认2 类标签火焰烟雾可扩展 / 重新训练提供预训练权重文件交付时包含或说明如何替换为你自己的权重。注意事项1本系统经过长时间的debug及修改按照要求配置环境即可运行成功如需增加功能需额外收费。2可接受定制各类YOLO目标检测车辆树木火焰人员安全帽烟雾情绪口罩佩戴……各种物体都可以定制价格私聊可接受定制✓抽烟行为识别✓航拍火灾检测✓水果识别✓草莓成熟度检测✓腐烂水果识别✓番茄叶片病害识别✓作物虫害识别✓棉花虫害识别✓垃圾桶满溢检测✓铁轨缺陷检测✓钢铁表面缺陷检测✓钢索缺陷识别✓绝缘子缺陷识别✓墙体缺陷检测✓金属表面缺陷识别✓天池铝型材缺陷检测✓安全帽和安全背心穿戴识别✓工程机械识别✓条形码检测✓停车位识别✓灭火器识别✓遥感航拍飞机识别✓遥感航拍船舶和飞机识别✓遥感航拍船舶识别✓猫狗识别✓煤矸石检测✓电线杆识别✓红绿灯识别✓瞳孔识别✓煤矿输送带异物识别四、系统实现