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。model=YOLO('yolov8n.pt')# 2. 开始训练results=model.train(data='fire_smoke.yaml',# 数据配置文件路径epochs=100,# 训练轮次，建议 100-300imgsz=640,# 输入图像尺寸batch=16,# 批次大小，根据显存调整name='fire_smoke_det',# 训练任务名称，结果保存在 runs/detect/device=0,# 设备：0 代表 GPU，'cpu' 代表 CPUworkers=8,# 数据加载线程数patience=50,# 早停机制：如果 50 轮没有提升则停止project='runs/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model=YOLO('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)results=model(source='test_image.jpg',show=True,save=True)💡 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）。