简介YOLOv8火焰烟雾检测训练资源包面向火灾预警、智能监控等场景的计算机视觉开发者与研究人员尤其适合有一定YOLO基础、需要快速搭建火焰烟雾识别模块的工程技术人员。内含基于PyTorch框架训练好的YOLOv8模型以及标注格式为txt的火焰与烟雾数据集类别为fire和smoke可直接用于YOLO系列模型训练或迁移学习。压缩包共2000个文件其中1984个txt标注文件构成数据主体13个md说明文档、2个pdf资料和1个yaml配置文件提供使用说明、检测结果参考与复现配置整体大小339.34MB目录结构清晰按标注样本、说明文档与配置分区便于按需检索。已有1370人浏览学习。借助这份资源可省去数据采集与人工标注成本获得完整的标签体系和训练配置md与pdf文档还能帮助快速理解数据集构成并复现检测流程有效缩短火灾烟雾识别项目从准备到验证的周期。1. 火焰烟雾检测不是普通目标检测为什么拿到的模型容易在白天“失灵”别人发你一个 YOLOv8 训练好的火焰烟雾检测模型外加一套数据集第一反应通常是“解压、跑通、接摄像头”。真这么干的人多半会在一周内被误报和漏报折腾到想退货白天没问题傍晚太阳一照就闪框深夜工厂车间里明明有火光模型却一声不吭。这不是模型本身假而是火焰烟雾这类目标的特殊性——形态变化快、边缘半透明、尺度跨度极大普通目标检测的套路直接套上去很容易在环境光变化时翻车。这篇笔记就是按数据集校验、训练参数、部署阈值、回传迭代这条线把一套能落到监控/巡检场景的火焰烟雾方案拆开讲适合正在做传统工厂、森林防火或室内安防又不想把模型当黑匣子用的读者。2. 先别急着跑训练火焰烟雾数据集的结构、清洗与标注检查2.1 数据集的目录结构与标准划分images 与 labels 的对应关系拿到“模型数据集”的压缩包先看目录别一头扎进训练命令。YOLOv8 默认按images和labels两个兄弟目录组织数据图片统一放images每张图片对应的标注文本放labels文件主名必须完全相同只是后缀不同。最常见但不适合直接开跑的原始包长这样fire_smoke_dataset/ ├── train/ │ ├── images/ │ │ ├── fram_00001.jpg │ │ ├── fram_00002.jpg │ │ └── ... │ └── labels/ │ ├── fram_00001.txt │ ├── fram_00002.txt │ └── ... ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/labels里的.txt是 YOLO 格式每行代表一个目标框0 0.4523 0.6187 0.2134 0.3461 1 0.5120 0.5112 0.4562 0.6231这行数据的含义是类别 id 0 代表火焰目标框中心点的 x、y 坐标以及宽、高都除以图片宽高做了归一化所以取值范围是 0~1。很多人默认数据集没问题直接拿去训练最后发现 loss 已经收敛得很难看但模型什么都检不出来原因常常是标签坐标出现负值或大于 1YOLO 训练时也未必立刻报错。我一般会先把train、val、test的比例确认一遍再人工扫一眼有没有类别 id 超出nc配置的情况。不要迷信“已经划分好”几个字。有些数据集是按文件名随机切的火焰场景里很容易把同一个视频的连续帧同时分到 train 和 val导致验证集虚高。更合理的做法是按视频片段或监控点位划分一个点位的画面要么全在训练集要么全在验证集这样验证时才能看到模型面对新场景的真实表现。2.2 火焰烟雾样本的特殊性稀疏目标、遮挡与远小目标的标注边界火焰和烟雾检测和行人、车辆检测有个本质差异类别边界极其模糊。火焰框住的是高亮核心还是整团火苗烟雾框住的是浓烟主体还是边缘透明扩散区不同标注员给出的框可以相差 30% 以上。这类不一致会在训练阶段变成噪声让模型在真实环境中输出不稳定框。我见过的最典型问题是“火焰小、烟雾大”。监控画面中几米外的初期火情可能只有十几个像素而烟雾很快扩散到占据画面三分之一。在 YOLOv8 的默认 640×640 推理尺寸下小火焰区域被下采样到几乎没有纹理模型很容易把火焰和灯具高光混淆。反过来大烟雾框几乎罩住整个画面如果标注框过大训练时会被当成清晰目标但实际烟雾边缘是渐变的模型很难稳定还原这种大而虚的框。这个阶段你不需要重新标注全部数据但要学会挑“脏数据”和“困难样本”。最有用的做法是把火焰和烟雾分开标注火焰按发光区域边界标烟雾按视觉上不透明的浓烟主体标不要把整片淡烟全框进去。对于远距离小目标至少保证目标在标注框内占 4×4 像素以上小于这个尺寸的图像块即使人眼能认模型也很难学到稳定特征反而容易成为验证集里反复拉低 mAP 的尖刺。2.3 训练前数据体检用一段脚本把坐标、尺寸和类别分布快速扫出来训练前我会先跑一段很小的 Python 脚本把 labels 里的坐标范围、类别数量、宽高占比和异常空文件一次性扫出来。这比肉眼抽查可靠得多尤其是数据集动辄上万张图的时候。import os from collections import Counter data_root fire_smoke_dataset/train/labels empty_files 0 bad_coords 0 size_dist [] cls_counter Counter() for fname in os.listdir(data_root): if not fname.endswith(.txt): continue path os.path.join(data_root, fname) with open(path, r, encodingutf-8) as f: lines [line.strip() for line in f if line.strip()] if len(lines) 0: empty_files 1 continue for line in lines: parts line.split() if len(parts) ! 5: continue cls_id int(parts[0]) x, y, w, h map(float, parts[1:]) cls_counter[cls_id] 1 if not (0.0 x 1.0 and 0.0 y 1.0 and 0.0 w 1.0 and 0.0 h 1.0): bad_coords 1 size_dist.append(w * h) print(类别分布, dict(cls_counter)) print(空标注文件数, empty_files) print(坐标越界行数, bad_coords) print(目标面积占比小于0.01的数量, sum(1 for s in size_dist if s 0.01))脚本逻辑很简单遍历labels目录读取每一行先检查是否为空文件再检查每行坐标是否在 0~1 范围内同时统计目标框面积占比。参数说明里有个容易被忽略的点x、y允许等于 0但w、h必须大于 0否则意味着标注退化成了点面积占比小于 0.01 的目标在 640×640 尺寸下大约只有 40×40 像素对于小火焰已经算“偏小”可以进一步对这类样本单独抽样确认有没有标错。跑完这段脚本重点看两件事一是火焰和烟雾两个类别的样本量是否严重失衡如果火焰图片有 3000 张、烟雾只有 200 张训练出来的模型会天然偏向火焰二是面积占比特别小的目标行数占比如果超过 20%后续训练时应该把imgsz提高或者用更大模型否则这些目标基本学不到。3. 用 YOLOv8 训火焰烟雾模型参数配置、命令与调优方向3.1 写 data.yaml让 YOLOv8 认识火焰与烟雾两个类别YOLOv8 训练时不会自动去读你的中文说明它只认一个data.yaml文件。常见做法是把数据集路径、训练/验证目录、类别名都集中在这里。以下是我通常用的配置注意把path指向数据集根目录path: /data/fire_smoke_dataset train: train/images val: val/images test: test/images nc: 2 names: 0: fire 1: smoke这里最关键的是path和train的组合方式。path写的是数据集根目录train写的是images目录的相对路径YOLOv8 会去path/train/images找图片同时自动寻找同级labels目录。很多人把train写成train/images/或写成绝对路径到具体某张图反而会导致加载不到数据。nc和names必须和标注文件的类别 id 对应。比如names里第一个名字是fire那标注文件里0 0.45 0.61 ...的第一类就是火焰如果你在标注时把烟雾标成了 0这里就会刚好反掉训练时 loss 很漂亮跑出来模型完全混乱。拿到数据集后第一件事就是查labels里出现过的最大类别 id再回填到yaml不要想当然认为 0 一定是火焰。如果数据集本身就带了作者的data.yaml也要打开看一眼特别检查它的path写的是不是绝对路径。很多时候压缩包在别人机器上能用到你机器上路径变了就报Dataset not found。把path改成你自己的绝对路径或者改成..相对路径都行但一定要改完之后再验证一下。3.2 预训练权重怎么选n 还是 s算大目标还是小目标训练命令里的model是指 YOLOv8 的预训练权重规格yolov8n.pt、yolov8s.pt、yolov8m.pt是常用三个档位。火焰烟雾场景不像某些工业检测那样只有一种规格能用但选错会让启动阶段就走弯路。n是 nano速度最快、模型最小适合嵌入式设备或摄像头数量多的场景s是 small速度和精度比较均衡m及以上的模型对大烟雾这种大面积目标拟合得更好但显存占用和推理耗时都上来了。我的经验是先看你的部署机器。如果推理只能在 CPU 或低端 GPU 上跑选n或s如果有一块 8G 显存的显卡直接选s不要一上来就x大模型否则训练慢、推理也慢火焰烟雾场景对实时性普遍敏感等 0.2 秒和 0.5 秒体验差别巨大。火焰和烟雾在画面里属于“尺度跨度非常大”的目标类型既有近处大火焰也有远处小火点。s默认从 640 输入开始训足够覆盖大多数场景。真正要注意的是预训练权重的用途YOLOv8 的yolov8s.pt是在大规模通用数据集上预训练过的它的底层卷积特征已经能识别颜色、边缘、纹理拿来微调火焰烟雾可以大幅缩短训练时间一般我不会从随机权重开始。除非你的数据集非常特殊比如全是红外灰度图预训练权重的彩色通道意义很小那再从零训也不迟。3.3 三个关键参数imgsz、batch、patience以及它们对火焰小目标的实际影响训练命令不复杂复杂的是参数。我常用的基线命令是这样的yolo train \ modelyolov8s.pt \ datafire_smoke.yaml \ epochs300 \ patience50 \ imgsz640 \ batch16 \ workers8 \ device0 \ optimizerAdamW \ cos_lrTrue这里每个参数都有讲究。imgsz640是输入分辨率绝大多数场景用它训练因为显存占用小、速度好但如果你的数据里有明显大量的小火点我把imgsz提到1280通常能换回几个点的 mAP代价是训练时间约翻一倍显存也成倍上升。batch16是每批图片数不能只看显卡支持还要看单张图的尺寸。imgsz1280时batch要降到 4~8不然很容易 CUDA out of memory。尤其火焰图像经常带有大面积黑色背景显存占用波动很大。patience50是早停参数连续 50 个 epoch 验证集指标没有提升就停止训练。火焰烟雾数据集如果只有几千张图常常在 150 个 epoch 附近就收敛了继续跑到 300 会过度拟合训练集里的环境光。cos_lrTrue是用余弦退火学习率能让模型在训练后期更平滑地收敛这个在火焰烟雾这种样本差异巨大的场景里比固定学习率更好用。训练时不要只盯着train/loss曲线。YOLOv8 命令行会打印一堆指标重点看三个box_loss、cls_loss、dfl_loss以及验证集 mAP50。当train/loss还在下降但mAP50不再上升说明模型开始记住训练集细节应该尽早停。我刚接触这个场景时犯过一个典型错误为了追求 mAP50 从 0.93 涨到 0.95强行多训了 80 个 epoch结果放到真实监控视频里误报明显增多因为模型把夜间树叶反光也记住了。4. 火焰烟雾模型部署避坑推理格式、置信度阈值与三类翻车现场4.1 训练好的 .pt 只是半成品先验证再导出 ONNX训练完成后手里的best.pt是一个 PyTorch 权重文件它能直接跑推理但不适合直接接到摄像头视频流里尤其是用 OpenCV 或 C 写服务的场景。常见做法是先拿一批没参与训练的真实截图跑一次predict确认模型在真实光照下不疯再做导出。yolo predict \ modelruns/detect/train/weights/best.pt \ sourceval/images \ conf0.30 \ saveTruesourceval/images是验证集图片路径conf0.30是置信度阈值。这里有个容易被忽略的事验证集是你已经看过的数据模型在这上面表现好不代表真实场景好所以至少要再准备一个“没在里面出现过的”测试目录最好是从另一个角度拍的火焰视频抽帧。我一般会把模型在验证集和这个小测试集上各跑一遍对比两边的检测框数量如果验证集全是密集框、测试集几乎全空那就是过拟合不要急着部署。确认验证效果后再转 ONNX 便于和高性能推理框架配合yolo export \ modelruns/detect/train/weights/best.pt \ formatonnx \ imgsz640 \ opset12导出后的best.onnx不会保存原来的类别中文名需要用 ONNX 运行时或自己写的后处理代码解析输出。YOLOv8 的 ONNX 输出通常是一个[batch, 84, 8400]的张量84 来自 4 个坐标 80 个 COCO 类别如果你用的是自定义火焰烟雾两类模型张量形状会是[1, 6, 8400]。很多人在这一步直接把[1, 6, 8400]当成[1, 8400, 6]去解析导致框全错位。这类部署细节在调试时可多看输出维度不要只盯着画出来的图片看像不像。4.2 火焰与烟雾的置信度阈值宁可漏报还是宁可误报火焰烟雾检测的阈值策略和行人检测完全不同。行人类别漏一两个框损失不大火焰烟雾漏检可能意味着事故。但如果阈值调太低监控大屏上的误报框会让人脱敏——预警三次全是太阳反光第四次的真火情就可能没人看了。我的经验是把火焰和烟雾分开处理。烟雾比火焰更怕漏因为初期火情的烟雾往往是最早信号而且烟雾目标边缘模糊、置信度天然偏低。所以在推理或后处理时我通常给fire指定conf0.40给smoke指定conf0.25左右。YOLOv8 的predict命令行只有一个全局conf参数实现分开阈值最简单的方式是拿到检测结果后用类别过滤再对每一类单独做阈值判断。精确的策略需要结合验证集做一次小实验在测试目录上把conf从 0.10 到 0.50 每隔 0.05 跑一遍统计每一档下的每张图检测框数量和“完全漏检”的图片张数。你会发现对于火焰0.40 和 0.25 之间如果 mAP 只掉了 0.01说明模型本身对火焰很确定如果 0.25 和 0.20 之间检测框数量突然翻倍说明大量低置信度框来自干扰物。这个拐点就是阈值甜点而不是拍脑袋定出来的。4.3 火焰烟雾检测的常见问题排查现象、原因与对策第一个高频问题是“模型在白天频繁把阳光反射、红色车灯识别成火焰”。现象是检测框沿着金属栏杆或玻璃反光一帧一帧跳动原因是训练集中缺少这类与火焰颜色相近的干扰负样本对策是收集 50~200 张烈日、路灯、红色围栏照片把它们作为背景图放入训练集不配任何标签让模型学会在这些区域不输出框。第二个高频问题是“远处小火苗完全漏检”。现象是画面左上角有一团很明显的火苗但模型没有任何输出原因是远小目标在 640 输入下只有 10×10 像素左右特征太少对策是先用imgsz1280训练或推理如果硬件不支持就把原图按区域切块后分别送入模型然后拼回原坐标。切块推理要记得把检测框坐标加上切块偏移量否则框会全部落在左上角。第三个高频问题是“大烟雾被拆成一堆小碎框没有一个完整框罩住烟雾主体”。现象是同一股烟被预测出 5~7 个不稳定的高置信度小框原因是训练时大雾框标注得太随意加上模型天然偏好紧凑目标对策是使用更大的imgsz让烟雾边缘更清晰同时在后处理里开启 NMS或者把两个高度重叠且置信度都超过阈值的框合并成一个外接框。这类碎框对报警平台很不友好宁可少一个边界框也别让平台弹出一串告警。第四个坑是“夜间画面整体偏暗模型漏检率升高”。火焰在夜间是强高光按理说更容易检但很多监控为了压低噪点会强开宽动态火焰反而被压成一片亮斑。常见做法是对夜间视频先做一次简单的亮度增强预处理再把增强后的帧送到模型不要依赖模型自己学完所有对比度变化那需要非常大且多样的夜间数据。5. 拿生产数据回流训练一套适合火焰烟雾场景的效果验证流训练和部署完成只是第一步真正让模型长期可用的是建立“真实数据 → 抽帧 → 标注 → 增量训练”的闭环。我给自己的项目定了一套固定的验证流程这里分享给你。准备一个独立的“回归测试集”包含至少 100 张你此前没见过的新场景截图什么天气都有每隔两周往里面塞新抽帧。每次拿新权重跑这个回归集除了看 mAP还要看一个指标连续漏检帧数。连续漏检帧数比单帧 mAP 更能反映报警系统是否可用。方法是把一段 5 分钟的真实火焰视频按每秒两帧抽出来记录模型在每一帧输出的火焰/烟雾类别然后统计连续多少帧没有输出。只要连续漏检超过 30 帧等于 15 秒这个模型在真实场景里就很可能错过最佳报警窗口。你可以用下面这段逻辑简单统计miss_streak 0 miss_streaks [] for has_det in frame_results: # 布尔序列 if not has_det: miss_streak 1 else: miss_streaks.append(miss_streak) miss_streak 0 miss_streaks.append(miss_streak) print(最大连续漏检帧数:, max(miss_streaks))这段统计脚本参数很少但它把“模型在测试集上的 mAP”翻译成了“报警系统最长沉默时间”后者才是安全检查的人真正关心的。如果最大连续漏检超过你的容忍上限就把对应时间段内的原始视频抽帧拿出来补充到数据集的train/images中只标火焰和烟雾再增量训练 30~50 个 epoch。这种做法的好处是数据集一直在变厚而不是永远靠一个静态压缩包撑一年。针对火焰烟雾场景还有一个前端验证技巧在巡检画面里同时跑原始权重和经过增量训练的权重把两者的检测框同时叠加但用不同颜色区分。A 模型的框闪断、B 模型的框稳定你一眼就能看出新数据回流带来的改善。我现在的习惯是每次增量训练后都保留上一版权重并把真实场景里新增的“误报样本”单独建一个负样本目录而不是直接把误报帧删掉。这样模型每一次迭代都会变稳而不是只记住新场景而丢掉之前学会的区分能力。如果你手里那套 YOLOv8 火焰烟雾检测模型和数据集还没有走上回流这条路建议从今天开始先复现一遍以上流程检查标签、跑一次训练、在独立视频段上验证、把翻车帧补回训练集。这套方法比换更大模型更省钱也比反复调阈值更治本。希望帮到你。本文还有配套的精品资源点击获取