基于 Ultralytics 框架如何训练室内火灾和烟雾检测数据集 室内安防监控、火灾早期预警、智能消防系统 室内家庭火灾数据集

智慧火灾检测-室内火灾和烟雾检测数据集共计2种类别分别为[’ 火焰 , ’ 烟雾 ]共5000张图像。数据集已整理成YOLO格式 YOLOv5、YOLOv6、YOLOv8、YOLO11、YOLO12等等YOLO系列通用数据集已划分为训练集和测试集等到手即可投入使用 室内火灾和烟雾检测数据集描述项目内容数据集名称室内火灾和烟雾检测数据集检测类别2 类火焰、烟雾图像数量5000 张标注格式YOLO 格式 (.txt)数据划分已划分为训练集和测试集适用模型YOLOv5, YOLOv6, YOLOv8, YOLO11, YOLO12 等全系列应用场景室内安防监控、火灾早期预警、智能消防系统️ 构建与训练代码以下代码基于 Ultralytics 框架适用于 YOLOv8, YOLO11, YOLO12这是目前最通用且易于使用的训练方式。1. 数据配置文件首先创建一个名为fire_smoke.yaml的文件用于告诉模型数据的存放位置和类别名称。# fire_smoke.yaml# 数据集根目录 (请修改为你解压后的实际路径)path:/path/to/your/fire_smoke_dataset# 训练集和验证集图片路径 (相对于 path)train:images/trainval:images/val# 类别数量nc:2# 类别名称names:0:火焰1:烟雾2. Python 训练脚本创建一个train.py文件运行此代码即可开始训练。fromultralyticsimportYOLOdefmain():# 1. 加载预训练模型# yolov8n.pt 是 nano 版本速度快适合部署。# 也可以替换为 yolov8s.pt, yolov8m.pt 以获得更高精度。modelYOLO(yolov8n.pt)# 2. 开始训练resultsmodel.train(datafire_smoke.yaml,# 数据配置文件路径epochs100,# 训练轮次建议 100-300imgsz640,# 输入图像尺寸batch16,# 批次大小根据显存调整namefire_smoke_det,# 训练任务名称结果保存在 runs/detect/device0,# 设备0 代表 GPUcpu 代表 CPUworkers8,# 数据加载线程数patience50,# 早停机制如果 50 轮没有提升则停止projectruns/fire_detection# 结果保存路径)print(训练完成)if__name____main__:main()3. 验证模型 (推理)训练完成后你可以使用以下代码测试模型效果fromultralyticsimportYOLO# 加载训练好的最佳权重modelYOLO(runs/fire_detection/fire_smoke_det/weights/best.pt)# 预测# source 可以是图片路径、视频路径或 0 (摄像头)resultsmodel(sourcetest_image.jpg,showTrue,saveTrue) 使用提示路径修改请务必修改fire_smoke.yaml中的path为你的实际数据集路径。显存设置如果训练时报错CUDA out of memory请减小batch参数例如改为 4 或 8。类别一致性确保fire_smoke.yaml中的names顺序与你数据集中的classes.txt或标签索引一致0: 火焰, 1: 烟雾。