企业官网建设流程全解析

简介：本资源为面向YOLO目标检测学习者的烟雾识别数据集，适用于安防监控、工业消防、森林防火等场景下的烟雾检测模型训练与算法验证，适合具备一定深度学习基础、正在做目标检测课程设计或科研实验的开发者使用。压缩包共收录2000个文件，全部为XML格式的标注文件，对应21578张烟雾图像，整体约268.9MB，标注文件可直接配合YOLO系列框架完成数据加载与训练流程。目前已有482人学习下载，具备一定的参考与复用价值。读者可借助该数据集快速搭建烟雾检测训练环境，用于模型微调、精度对比与消融实验，省去自行采集与标注图像的时间成本，同时便于验证数据增强、锚框调整等策略对烟雾小目标检测效果的影响，为后续工程落地提供可靠的数据支撑。

1. 烟雾检测数据集拿到手：21578 张带标签图像到底怎么用

工业现场做烟雾检测，最头疼的从来不是模型结构，而是数据。你手里如果正好有一份 21578 张图像、带标签、按 smoke100 类别组织的烟雾数据集，那已经比大多数人起步快了。但快不等于顺——我见过太多人把 zip 解压完，直接train一跑，结果 mAP 卡在 0.3 上不去，回头怪 YOLO 不行。问题往往出在标签格式、类别映射和划分策略上，而不是网络本身。

这份数据集的核心价值在于“带标签”三个字。烟雾检测和普通目标检测不一样：烟没有固定形状，边缘弥散，早期烟雾和云雾、水汽、光照反射极易混淆。21578 张的量级，配合 YOLO 系列做迁移学习，是能落地的。它适合谁？适合做工业烟雾预警、火灾早期监控、边缘部署烟感视觉方案的工程师，也适合想用真实场景数据跑通 YOLO 训练全流程的人。接下来我不讲空理论，直接按“数据检查 → 格式转换 → 训练配置 → 排错 → 进阶技巧”这条线走一遍。

2. 烟雾数据集的结构检查与 YOLO 格式转换

2.1 先别急着训练：解压后必须确认的三件事

拿到smoke100-uwe4t.zip这类压缩包，第一步不是写训练脚本，而是把目录结构摸清楚。常见做法是先看顶层目录，再抽样看标签文件。烟雾数据集通常有两种组织方式：一种是 VOC 风格（Annotations放 XML，JPEGImages放图），一种是 YOLO 风格（images和labels平行，标签是.txt）。你得先确认是哪一种，因为后面的转换脚本完全不同。

我一般会跑下面这段检查脚本，把图像数量、标签数量、类别名、标签格式一次性看清楚：

import os import glob from collections import Counter root = "./smoke100-uwe4t" # 解压后的根目录，按实际改 # 1. 统计图像文件 img_exts = ("*.jpg", "*.jpeg", "*.png", "*.bmp") imgs = [] for ext in img_exts: imgs.extend(glob.glob(os.path.join(root, "**", ext), recursive=True)) print("图像总数:", len(imgs)) # 2. 统计标签文件 txts = glob.glob(os.path.join(root, "**", "*.txt"), recursive=True) xmls = glob.glob(os.path.join(root, "**", "*.xml"), recursive=True) print("txt 标签数:", len(txts), " xml 标签数:", len(xmls)) # 3. 抽样看一个 txt 标签内容（YOLO 格式应为: class x_center y_center w h） if txts: with open(txts[0], "r") as f: lines = f.read().strip().splitlines() print("样例标签文件:", txts[0]) print("前 3 行:", lines[:3]) # 4. 统计类别分布（仅 YOLO txt） cls_counter = Counter() for t in txts: with open(t, "r") as f: for line in f: line = line.strip() if line: cls_counter[line.split()[0]] += 1 print("类别分布:", cls_counter.most_common(10))

这段脚本的逻辑很直白：先确认图像和标签是否一一对应，再看标签是 YOLO 的归一化格式还是 VOC 的绝对坐标格式，最后统计类别分布。参数上，root指向解压目录，recursive=True是为了兼容多层子目录。如果txt标签数远小于图像数，说明有大量图片没有标注，训练前必须处理，否则 YOLO 会把无标签图当背景，拉低召回。

提示：如果发现标签是 XML，不要手动转，用现成脚本批量处理，下面就给。

2.2 VOC 转 YOLO：转换脚本与四个边界坑

如果数据集是 VOC 格式，需要把 XML 里的xmin, ymin, xmax, ymax转成 YOLO 的class x_center y_center w h，并且全部归一化到 0~1。转换本身不难，坑在边界处理。我常用的转换脚本如下：

import os import glob import xml.etree.ElementTree as ET # 类别映射：根据你的数据集实际类别改，smoke100 通常只有 smoke 一类 classes = ["smoke"] cls_to_id = {c: i for i, c in enumerate(classes)} xml_dir = "./smoke100-uwe4t/Annotations" img_dir = "./smoke100-uwe4t/JPEGImages" out_dir = "./smoke100-uwe4t/labels" os.makedirs(out_dir, exist_ok=True) def convert(xml_path, img_w, img_h): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in cls_to_id: continue bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # 边界裁剪，防止越界 xmin = max(0, min(xmin, img_w - 1)) xmax = max(0, min(xmax, img_w - 1)) ymin = max(0, min(ymin, img_h - 1)) ymax = max(0, min(ymax, img_h - 1)) w = xmax - xmin h = ymax - ymin if w <= 1 or h <= 1: # 过滤无效框 continue x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h nw = w / img_w nh = h / img_h lines.append(f"{cls_to_id[name]} {x_center:.6f} {y_center:.6f} {nw:.6f} {nh:.6f}") return lines # 需要先读取图像尺寸，这里用 PIL from PIL import Image for xml_path in glob.glob(os.path.join(xml_dir, "*.xml")): base = os.path.splitext(os.path.basename(xml_path))[0] img_path = None for ext in (".jpg", ".jpeg", ".png", ".bmp"): p = os.path.join(img_dir, base + ext) if os.path.exists(p): img_path = p break if img_path is None: continue with Image.open(img_path) as im: img_w, img_h = im.size lines = convert(xml_path, img_w, img_h) with open(os.path.join(out_dir, base + ".txt"), "w") as f: f.write("\n".join(lines))

逻辑说明：先建立类别到 id 的映射，遍历 XML 中每个 object，取出框坐标，做边界裁剪，再归一化。参数上，classes必须和你的数据集类别一致，烟雾数据集常见只有smoke一类，但有些会分smoke和fire，要按实际改。四个边界坑分别是：坐标越界、宽高为负、宽高过小、类别名不匹配。前三个用max/min和阈值过滤解决，第四个靠打印未匹配类别来排查。

2.3 训练集/验证集/测试集划分：别用随机划分

烟雾检测有个特点：同一场景的连续帧高度相似。如果你用纯随机划分，训练集和验证集里会出现几乎一样的图，验证指标虚高，上线就翻车。我一般按场景或按视频片段划分，如果没有场景信息，至少按文件名前缀分组。常见做法是 8:1:1，但分组划分比随机划分更可信。

import os import glob import random from sklearn.model_selection import GroupShuffleSplit all_imgs = glob.glob("./smoke100-uwe4t/images/*.jpg") # 用文件名前缀作为分组依据，按实际数据调整 groups = [os.path.basename(p).split("_")[0] for p in all_imgs] gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, val_idx = next(gss.split(all_imgs, groups=groups)) train_imgs = [all_imgs[i] for i in train_idx] val_imgs = [all_imgs[i] for i in val_idx] print("训练集:", len(train_imgs), "验证集:", len(val_imgs))

这里用GroupShuffleSplit保证同一组的图不会同时出现在训练和验证里。参数test_size=0.2表示验证集占 20%，random_state固定后结果可复现。如果数据没有明显分组，至少也要固定随机种子，别每次跑都不一样。

3. YOLO 训练烟雾检测模型的参数配置与显存控制

3.1 选 YOLOv8 还是 YOLOv5：烟雾场景下的取舍

烟雾检测选版本，不是越新越好。YOLOv8 的 anchor-free 头对小目标更友好，烟雾早期往往是小区域，所以 v8 通常比 v5 略好。但 v5 的生态和部署资料更成熟，如果你要上 RK3588 或树莓派这类边缘设备，v5 的量化工具链更顺。我的建议是：训练阶段用 YOLOv8 拿精度，部署阶段如果边缘工具链只支持 v5，再转。别一上来就纠结，先跑通一个。

数据配置文件smoke.yaml长这样：

path: ./smoke100-uwe4t train: images/train val: images/val test: images/test names: 0: smoke

path是数据集根目录，train/val/test是相对路径，names是类别映射。注意names的 id 必须和标签里的 class id 一致，否则训练时类别全错。

3.2 关键训练参数：batch、imgsz、学习率怎么定

烟雾数据集 21578 张，不算小。用单卡 V100 或 3090，batch=16或32都能跑。imgsz我一般设 640，如果烟雾目标很小，可以上 1280，但显存翻倍。学习率用默认的0.01配合余弦退火通常够用，如果 loss 震荡，降到0.001。

yolo detect train \ data=smoke.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ lrf=0.01 \ patience=20 \ device=0 \ project=smoke_runs \ name=exp1

参数说明：model=yolov8s.pt是预训练权重，烟雾数据量够，用 s 或 m 都行；epochs=100配合patience=20早停；lr0是初始学习率，lrf是最终学习率比例；device=0指定第一块 GPU。如果显存不够，把batch降到 8，或者用yolov8n.pt。

注意：训练中 BN 崩溃是常见问题，表现是 loss 突然变 NaN。原因通常是 batch 太小或学习率太大。解决方法是增大 batch 或降低 lr0，也可以在配置里加warmup_epochs=3。

3.3 训练过程监控：看哪些曲线，什么时候该停

训练启动后，重点看三个东西：box_loss、cls_loss、mAP50。烟雾检测里cls_loss通常降得比box_loss快，因为类别少。如果box_loss不降，说明框回归有问题，检查标签归一化是否正确。如果mAP50在 0.5 附近卡住，可能是数据里负样本太多，或者烟雾和背景太像。

我一般会在runs/detect/smoke_runs/exp1下看results.csv，用 pandas 画一下：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/detect/smoke_runs/exp1/results.csv") df.columns = df.columns.str.strip() plt.plot(df["epoch"], df["metrics/mAP50(B)"], label="mAP50") plt.plot(df["epoch"], df["train/box_loss"], label="box_loss") plt.legend() plt.show()

如果mAP50连续 20 轮不升，早停会触发。别硬跑 300 轮，浪费时间。

4. 烟雾检测训练避坑：从标签到部署的 5 个翻车现场

4.1 现象：mAP 虚高但实际漏检严重

原因：验证集和训练集同场景，模型记住了背景而不是烟雾。解决：按场景分组划分，或者用不同时间段的数据做验证。

4.2 现象：训练 loss 正常，推理时框全偏

原因：标签归一化时用了错误的图像尺寸，比如 XML 里尺寸和实际图不一致。解决：转换时用 PIL 重新读图尺寸，别信 XML 里的size。

4.3 现象：BN 崩溃，loss 变 NaN

原因：batch 太小或学习率太大。解决：batch 至少 8，lr0 降到 0.001，加 warmup。

4.4 现象：边缘部署误检率高

原因：训练时 imgsz 640，部署时输入 320，尺度不一致。解决：导出模型时固定 imgsz，或者用相同尺寸做量化校准。

4.5 现象：混淆矩阵总和不唯一

原因：多类别时某些类被漏统计，或者标签里有非法 class id。解决：检查names和标签 id 是否一一对应，过滤非法标签。

5. 烟雾检测进阶：用测试时增强和切片推理榨干小目标

训练完模型，别急着收工。烟雾早期目标小，常规推理容易漏。我一般会加两个技巧：测试时增强（TTA）和切片推理（SAHI）。TTA 是在推理时对图像做翻转、缩放，综合多个结果，能提 1~3 个点 mAP。切片推理是把大图切成小块分别检测，再合并，对小目标特别有效。

from ultralytics import YOLO model = YOLO("runs/detect/smoke_runs/exp1/weights/best.pt") # TTA 推理 results = model.predict( source="./test_images", imgsz=640, augment=True, # 开启 TTA conf=0.25, iou=0.45, save=True )

augment=True就是 TTA，conf和iou按验证集调。切片推理可以用 SAHI 库，但要注意切片重叠率，太低会漏，太高会重复框。我一般设overlap=0.2。

验证方法上，别只看 mAP，要拿实际视频跑一遍，看漏检和误检的帧。我习惯把误检的图单独存下来，回头补进训练集，迭代两三轮，效果比换模型明显。最后说个血泪经验：烟雾检测的后悔药就是数据，模型再改，不如多标 500 张难例。希望帮到你。

本文还有配套的精品资源，点击获取