企业官网建设流程全解析

简介：这份资源面向希望入门目标检测与火灾图像识别的Python开发者，提供基于yolov5框架的完整实践方案，覆盖从数据准备、模型训练到推理预测的全流程。压缩包共19个文件，约30.45MB，包含pt预训练权重、yaml配置文件、ipynb训练笔记、png与jpg结果图表、mp4演示视频及gif动图等，可直观查看训练曲线与检测效果。资源内附火灾与非火灾图像数据集说明，并给出训练脚本、数据加载与预测脚本的组织方式，便于读者理解YOLO网格预测、边界框与类别概率等核心机制。已有239人学习下载，适合具备一定Python与深度学习基础、想通过真实项目掌握yolov5训练调参、数据集构建与性能优化的读者参考。

1. 火灾图像识别为什么总在烟雾刚起时掉链子

凌晨两点，仓库角落的纸箱开始冒烟，监控画面里只有一小团灰白雾状区域，值班人员没注意到，等明火起来已经晚了。这类场景正是火灾图像识别要解决的核心问题：在火焰还没成型、只有烟雾或微弱火光时就把异常框出来。Python 基于 YOLOv5 实现的火灾图像识别，本质是把火灾检测当成目标检测任务，用标注好的火焰、烟雾图片训练模型，再部署到摄像头或图片流上做实时推理。它适合做安防、园区、仓储、森林防火方向的工程师，也适合想拿一个完整项目练手 YOLOv5 训练自己数据集的人。标题里提到的源代码、模型文件、数据集，对应的就是一套能跑通训练和推理的最小闭环，而不是只给一个权重文件让你猜怎么用。

2. 火灾数据集怎么准备：从原始图片到 YOLO 标签

2.1 火灾图像识别的类别定义与数据来源

做火灾检测第一步不是写代码，而是想清楚你要检测什么。常见做法是把类别分成两类：fire（明火）和 smoke（烟雾），有些场景会再加一类 spark（火花）或 flame_small（小火苗）。类别越细，标注成本越高，但误报会少一些。我一般建议新手先用 fire 和 smoke 两类跑通，等模型能稳定识别再考虑细分。

数据来源上，公开火灾数据集通常包含几千到上万张图片，覆盖室内、室外、白天、夜间、近距离和远距离。但公开数据有个通病：烟雾图片偏少，明火图片偏多，模型容易把橙色物体误判成火。所以拿到数据后先做一次类别分布统计，如果 smoke 占比低于 30%，要么补采烟雾图片，要么在训练时给 smoke 类更高权重。

图片格式统一成 jpg 或 png，分辨率不用强求一致，YOLOv5 训练时会自动缩放到 640。但要注意，如果原图特别大（比如 4000×3000），建议先缩到 1280 宽再标注，否则标注框坐标容易算错。

2.2 用 labelImg 标注并转成 YOLO 格式

标注工具用 labelImg 就够了，安装命令如下：

pip install labelImg labelImg

打开后设置图片目录和保存目录，格式选 YOLO。每张图至少框出所有火焰和烟雾区域，框要贴紧目标边缘，不要留太多背景。标注完成后每张图对应一个 txt 文件，每行格式是：

class_id x_center y_center width height

其中坐标都是归一化到 0 到 1 之间的浮点数。class_id 从 0 开始，0 代表 fire，1 代表 smoke。

标注完检查一遍，常见错误是框超出图片边界或者宽高为 0。可以用下面这段脚本快速检查：

import os import glob label_dir = "labels" for txt in glob.glob(os.path.join(label_dir, "*.txt")): with open(txt, "r") as f: for line in f: parts = line.strip().split() if len(parts) != 5: print(f"格式错误: {txt} -> {line}") continue cls, x, y, w, h = map(float, parts) if not (0 <= x <= 1 and 0 <= y <= 1 and 0 < w <= 1 and 0 < h <= 1): print(f"坐标越界: {txt} -> {line}")

这段脚本遍历所有标签文件，检查每行是否有 5 个字段，以及中心点和宽高是否在合理范围内。如果输出大量越界记录，说明标注时图片被缩放但标签没同步更新，需要重新导出。

2.3 划分训练集、验证集和测试集

YOLOv5 要求数据目录结构如下：

dataset/ images/ train/ val/ labels/ train/ val/

常见做法是按 8:1:1 划分训练、验证、测试。但火灾数据有个坑：同一个视频截出来的连续帧不能同时出现在训练集和验证集，否则验证指标会虚高。正确做法是按视频或按场景划分，同一场景的图片只进一个集合。

划分脚本可以这样写：

import os import random import shutil img_dir = "all_images" label_dir = "all_labels" out_dir = "dataset" train_ratio, val_ratio = 0.8, 0.1 os.makedirs(f"{out_dir}/images/train", exist_ok=True) os.makedirs(f"{out_dir}/images/val", exist_ok=True) os.makedirs(f"{out_dir}/labels/train", exist_ok=True) os.makedirs(f"{out_dir}/labels/val", exist_ok=True) imgs = [f for f in os.listdir(img_dir) if f.endswith((".jpg", ".png"))] random.shuffle(imgs) n_train = int(len(imgs) * train_ratio) n_val = int(len(imgs) * val_ratio) for i, img in enumerate(imgs): name = os.path.splitext(img)[0] label = name + ".txt" if i < n_train: split = "train" elif i < n_train + n_val: split = "val" else: continue shutil.copy(os.path.join(img_dir, img), f"{out_dir}/images/{split}/{img}") shutil.copy(os.path.join(label_dir, label), f"{out_dir}/labels/{split}/{label}")

这段代码把全部图片打乱后按比例复制到对应目录，标签文件同名复制。注意测试集这里没单独建目录，实际项目里可以再留 10% 做最终测试，训练时完全不碰。

3. YOLOv5 训练火灾检测模型：配置文件与关键参数

3.1 准备 YOLOv5 代码和火灾数据配置文件

先把 YOLOv5 代码拉下来，安装依赖：

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

然后新建一个火灾数据配置文件 fire_data.yaml，放在 yolov5/data 目录下：

path: ../dataset train: images/train val: images/val nc: 2 names: ['fire', 'smoke']

path 是数据集根目录，train 和 val 是相对路径。nc 是类别数，names 按 class_id 顺序写。如果只检测火焰，nc 改成 1，names 只留 fire。

模型配置文件不用自己写，直接用 yolov5s.yaml 就行。火灾检测通常不需要太大模型，yolov5s 在速度和精度之间比较平衡，树莓派 4B 或 RK3568 这类边缘设备也能跑。如果服务器端追求精度，可以换 yolov5m 或 yolov5l，但推理速度会明显下降。

3.2 训练命令与超参数怎么设

最小训练命令：

python train.py --img 640 --batch 16 --epochs 100 --data data/fire_data.yaml --weights yolov5s.pt --project runs/fire --name exp1

参数含义：img 是输入尺寸，640 是默认值，显存不够可以降到 416 或 320；batch 是批大小，16 适合 8G 显存，12G 可以上 32；epochs 是训练轮数，火灾数据一般 100 到 300 轮够用；weights 是预训练权重，用 yolov5s.pt 做迁移学习比从零训练收敛快很多。

如果烟雾样本少，可以在 train.py 里加类别权重，或者用 --hyp 指定超参数文件。常见做法是复制 data/hyps/hyp.scratch-low.yaml，把 smoke 对应的损失权重调高。但更简单的办法是数据增强时对烟雾图片多做几次复制。

训练过程中看几个指标：box_loss 和 obj_loss 是否稳定下降，mAP@0.5 是否在涨。如果 mAP 卡在 0.3 以下，大概率是标注有问题或者学习率太大。可以先用 --epochs 10 跑一遍小实验，确认 loss 在降再开长训练。

3.3 训练结果怎么看：mAP、召回率和误报

训练结束后 runs/fire/exp1 目录下有 results.csv 和 weights/best.pt。results.csv 里记录了每轮的指标，重点看：

• metrics/mAP_0.5：IoU 阈值 0.5 时的平均精度，火灾检测一般能到 0.7 以上算可用。
• metrics/recall：召回率，火灾场景宁可误报也不能漏报，所以召回率比精度更重要。
• val/box_loss：验证集损失，如果训练损失降但验证损失涨，说明过拟合。

可以用下面脚本画一下 mAP 曲线：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/fire/exp1/results.csv") df.columns = df.columns.str.strip() plt.plot(df["epoch"], df["metrics/mAP_0.5"], label="mAP@0.5") plt.plot(df["epoch"], df["metrics/recall"], label="recall") plt.xlabel("epoch") plt.ylabel("value") plt.legend() plt.savefig("fire_train_curve.png")

这段代码读取训练日志，画出 mAP 和召回率随轮次的变化。如果召回率明显低于 mAP，说明漏检多，需要补烟雾或小火样本。

4. 推理与部署：从单张图片到视频流

4.1 用 detect.py 跑通单张图片和视频

训练完先用官方推理脚本验证：

python detect.py --weights runs/fire/exp1/weights/best.pt --source test_fire.jpg --img 640 --conf 0.4

source 可以是单张图片、图片目录、视频文件，甚至摄像头编号。conf 是置信度阈值，火灾检测建议设 0.3 到 0.5，太低会误报，太高会漏报。推理结果默认保存在 runs/detect/exp 下。

如果要在 Python 代码里调用模型，可以这样写：

import torch model = torch.hub.load("ultralytics/yolov5", "custom", path="runs/fire/exp1/weights/best.pt") model.conf = 0.4 model.iou = 0.45 results = model("test_fire.jpg") results.print() results.save("output")

model.conf 是置信度阈值，model.iou 是 NMS 的 IoU 阈值。火灾检测里如果两个框重叠度高，NMS 会保留一个，iou 设 0.45 比较稳。results.print() 输出检测到的类别和坐标，results.save() 保存带框图片。

4.2 视频流推理的帧率与跳帧策略

直接对视频每一帧跑 YOLOv5，在普通 CPU 上可能只有 2 到 5 FPS，达不到实时。常见做法是跳帧推理，比如每 3 帧检测一次，中间帧复用上一次结果。代码示例：

import cv2 import torch model = torch.hub.load("ultralytics/yolov5", "custom", path="best.pt") model.conf = 0.4 cap = cv2.VideoCapture("fire_video.mp4") frame_id = 0 last_boxes = [] while True: ret, frame = cap.read() if not ret: break frame_id += 1 if frame_id % 3 == 0: results = model(frame) last_boxes = results.xyxy[0].cpu().numpy() for box in last_boxes: x1, y1, x2, y2, conf, cls = box cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 0, 255), 2) cv2.imshow("fire", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

这段代码每 3 帧推理一次，其余帧画上一次的框。跳帧数根据设备性能调，GPU 上可以每帧都跑，树莓派上可能得跳到 5 或 10。注意跳帧太多会导致快速移动的火焰框位置滞后，需要根据场景权衡。

4.3 模型导出与边缘设备部署注意点

如果要在树莓派 4B 或 RK3568 上部署，先把 PyTorch 模型导出成 ONNX：

python export.py --weights best.pt --include onnx --img 640

导出后可以用 onnxruntime 推理，速度比 PyTorch 快不少。RK3568 这类带 NPU 的芯片，还需要把 ONNX 转成 RKNN 格式，用 rknn-toolkit2 转换。转换时注意输入尺寸和归一化参数要和训练时一致，否则精度会掉。

树莓派 4B 上跑 YOLOv5s ONNX，640 输入大概 3 到 5 FPS，320 输入能到 8 到 10 FPS。如果帧率不够，优先降输入尺寸，而不是换更小的模型，因为火灾检测对小火焰敏感，模型太小召回率会明显下降。

5. 火灾识别项目避坑与排查：那些让我返工的细节

5.1 模型把夕阳和灯光误判成火焰

现象：模型在傍晚或路灯场景下频繁框出 fire，置信度还不低。

原因：训练数据里明火图片大多是橙红色，而夕阳、暖色灯光颜色分布接近，模型学到了颜色捷径而不是火焰纹理。

解决：补采黄昏、灯光、橙色物体负样本，标注时这些图片不放任何框，让模型学会区分。也可以在数据增强里加 HSV 色调扰动，降低对颜色的依赖。

5.2 烟雾漏检严重，mAP 虚高但实际不可用

现象：验证集 mAP 有 0.75，但实际视频里烟雾刚起时完全没框。

原因：烟雾样本太少，且标注时只框了浓烟，薄烟没标。模型只学会了浓烟特征。

解决：重新检查标注，把薄烟、远距离烟雾都框上。如果数据不够，用烟雾合成工具在正常图片上叠加烟雾纹理，扩充样本。训练时把 smoke 类损失权重调高 1.5 到 2 倍。

5.3 训练 loss 不降或变成 nan

现象：训练几轮后 box_loss 变成 nan，或者一直不降。

原因：学习率太大、标注坐标越界、或者某张图片损坏。

解决：先用第 2 章里的检查脚本过一遍标签，确认没有越界。然后把学习率降到 0.001 或 0.0005 再试。如果还不行，检查图片是否有 0 字节文件，用 PIL 打开每张图确认能正常读取。

5.4 推理时框位置偏移或框太大

现象：检测到的框比实际火焰大一圈，或者位置偏了。

原因：训练时图片被 letterbox 缩放，推理时如果没做同样处理，坐标会对不上。

解决：用官方 detect.py 或 torch.hub 加载模型时，预处理是自动的，不要自己写 resize。如果自己写推理代码，必须复现 letterbox：先等比例缩放到 640，再填充灰边，推理后再把坐标映射回原图。

5.5 模型文件在另一台机器上加载失败

现象：best.pt 在训练机上能跑，拷到部署机上报错。

原因：PyTorch 版本不一致，或者 torch.hub 加载时联网下载 YOLOv5 代码失败。

解决：部署机上装和训练机相同版本的 PyTorch 和 ultralytics/yolov5。如果无法联网，把 YOLOv5 代码目录一起拷过去，用 torch.load 直接加载模型，或者导出 ONNX 后用 onnxruntime 推理，摆脱对 YOLOv5 代码的依赖。

6. 把火灾识别模型压到边缘设备还能保住召回率的几个手法

边缘设备部署火灾识别，最大的矛盾是算力有限但召回率不能降。我自己的习惯是先在服务器上把模型训到召回率 0.85 以上，再做压缩，压缩后重新在验证集上测一遍，如果召回率掉超过 5 个百分点就回退。

第一个手法是输入尺寸分级。不要一上来就用 640，先试 416 和 320，看召回率掉多少。火灾场景里远距离小火对分辨率敏感，如果 320 下漏检明显，就保持 416，用跳帧换帧率。

第二个手法是通道剪枝。YOLOv5 里可以用 torch-pruning 对 Conv 层做 L1 剪枝，剪掉 20% 到 30% 通道，再微调 10 轮。剪枝后模型体积能小三分之一，推理快 20% 左右。但剪枝比例超过 40% 后召回率会断崖下跌，别贪。

第三个手法是量化。ONNX 转 TensorRT 时用 FP16 量化，速度能翻倍，精度几乎不掉。INT8 量化需要校准集，火灾数据校准集里必须包含烟雾和明火样本，否则量化后烟雾检测会明显变差。

验证压缩效果时，不要只看 mAP，要单独统计 fire 和 smoke 的召回率。下面这段脚本可以按类别算召回率：

import numpy as np def recall_per_class(preds, gts, num_classes=2, iou_thres=0.5): recalls = [] for c in range(num_classes): tp, fn = 0, 0 for img_id in gts: gt_boxes = [b for b in gts[img_id] if b[4] == c] pred_boxes = [b for b in preds.get(img_id, []) if b[4] == c] matched = set() for gt in gt_boxes: best_iou = 0 best_idx = -1 for i, pred in enumerate(pred_boxes): if i in matched: continue iou = compute_iou(gt[:4], pred[:4]) if iou > best_iou: best_iou = iou best_idx = i if best_iou >= iou_thres: tp += 1 matched.add(best_idx) else: fn += 1 recalls.append(tp / (tp + fn + 1e-6)) return recalls

这段代码按类别统计召回率，compute_iou 需要自己实现或从 YOLOv5 utils 里导入。跑完后如果 smoke 召回率比 fire 低很多，说明压缩对烟雾特征损伤大，需要把烟雾样本加进量化校准集重新导出。

最后一个习惯：每次换设备或换模型格式，都拿同一段测试视频跑一遍，人工数一下漏检和误报。指标好看不代表现场能用，我吃过好几次 mAP 0.8 但实际视频里烟雾漏一半的亏。希望帮到你。

本文还有配套的精品资源，点击获取