企业官网建设流程全解析

深度学习基于YOLOv11高点烟雾检测系统 高点监控视角烟雾检测数据集，9662张，提供yolo，voc，coco三种标注方式
图像尺寸:640*640
类别数量:1类

训练集图像数量:7891; 验证集图像数量:1595； 测试集图像数量:176
类别名称: 每一类图像数 ，每一类标注数
smoke: 9661,10476
image num: 9662

模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch

提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示
PyQt5 界面功能

界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测

界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出

高点监控视角烟雾检测数据集

类别明细

模型信息

应用场景

1. 林区高点云台森林防火监测，远距离识别山林烟雾，提前预警山火。
2. 城市制高点高空摄像头，监测露天焚烧、工厂违规排烟。
3. 矿山、工业园区制高点安防，火灾烟雾早期自动识别告警。
4. 算法科研、毕设项目、目标检测模型训练。

数据集价值

• 全部为高点远距离监控视角，贴合实际森林防火高空摄像头场景，云雾、远山复杂背景样本丰富。
• 单类别烟雾标注，YOLO/VOC/COCO多格式，可直接加载训练。
• 配套完整YOLOv11训练代码+PyQt可视化推理界面，拿到即可部署演示，降低项目开发周期。

系统核心代码

1、YOLOv11 训练脚本 train.py

fromultralyticsimportYOLOif__name__=='__main__':model=YOLO("yolo11n.yaml")model.train(data="smoke_data.yaml",epochs=80,imgsz=640,batch=8,device=0,patience=10,pretrained=True)

2、PyQt5 推理主界面 main.py

importsysimportcv2fromPyQt5.QtWidgetsimport*fromPyQt5.QtGuiimport*fromPyQt5.QtCoreimport*fromultralyticsimportYOLOclassSmokeDetectWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("基于YOLOv11的高点烟雾检测系统")self.model=YOLO("weights/best.pt")self.cam=Nonedefdetect_img(self,img_path):res=self.model(img_path)[0]boxes=res.boxes result_list=[]forboxinboxes:x1,y1,x2,y2=box.xyxy[0].cpu().numpy()conf=float(box.conf[0])cls=self.model.names[int(box.cls[0])]result_list.append([cls,conf,int(x1),int(y1),int(x2),int(y2)])returnresult_listdefopen_image(self):fname,_=QFileDialog.getOpenFileName(self,"选择图片","","Image(*.jpg *.png *.jpeg)")iffname:res=self.detect_img(fname)# 图片渲染、结果展示、表格填充逻辑passdefopen_video(self):fname,_=QFileDialog.getOpenFileName(self,"选择视频","","Video(*.mp4 *.avi)")#视频推理逻辑passdefopen_camera(self):#摄像头实时检测self.cam=cv2.VideoCapture(0)passif__name__=="__main__":app=QApplication(sys.argv)win=SmokeDetectWindow()win.show()sys.exit(app.exec_())

3、数据集配置 smoke_data.yaml

path:./smoke_datasettrain:images/trainval:images/valtest:images/testnames:0:smoke