当前位置：首页 > news >正文

YOLOv11、PyQt5、火灾烟雾检测智慧火灾监测-YOLOv11火灾检测系统【YOLO火灾检测系统】智能预警，守护安全火灾监测数据集的训练及应用

news 2026/4/15 12:47:53

智慧火灾监测-YOLOv11火灾检测系统【YOLO火灾检测系统】智能预警，守护安全

技术栈：
YOLOv11深度学习框架
Pycharm + Anaconda开发工具
Python 3.11
opencv-python
torch==2.7.1
pyqt5前端界面
✅️测试无bug 稳定运行

功能特点：
多赛道适用：适用于人工智能+赛道、智能制造赛道、消防安全赛道、工业互联网赛道、智慧城市赛道
先进技术：基于YOLOv11深度学习框架的火灾检测系统
全面检测能力：支持图片、视频和摄像头实时检测，界面友好，检测精度高，运行速度快
灵活扩展：支持自定义模型更换，可轻松扩展其他安全检测任务
完善日志系统：带有日志终端输出功能方便调试，日志自动保存，便于问题追踪和系统维护
精准定位：能记录目标对象像素位置，为后续分析提供精确数据支持
智能预警：能自动显示检测到的火灾风险，及时发出警报

适用场景：
工厂仓库监控：实时监测生产区域火灾风险
商业场所安全：商场、写字楼等公共场所防火监控
住宅小区防护：社区消防安全智能化管理
森林防火预警：大面积区域火灾早期发现
学术研究：计算机视觉、深度学习研究

（YOLOv11、PyQt5、火灾烟雾检测）构建一套完整的、可运行的核心代码框架。

由于“YOLOv11”通常指的是 Ultralytics 库中最新版本（如 v8.2.0+ 版本中引入的新架构），以下代码基于ultralytics官方库编写。

项目核心代码构建

你需要创建以下几个核心文件来对应你的项目结构图。

1. 环境依赖 (requirements.txt)

首先，确保你的环境安装了必要的库。

torch>=2.0.0 torchvision>=0.15.0 ultralytics>=8.2.0 # 支持YOLOv11 opencv-python>=4.8.0 PyQt5>=5.15.0 PyYAML

2. 安装脚本 (install.py)

对应图中的install.py，用于自动安装依赖。

# install.pyimportosimportsubprocessdefinstall(package):print(f"正在安装{package}...")subprocess.check_call(["pip","install",package])if__name__=="__main__":print("正在检查并安装依赖...")requirements=["torch","torchvision","ultralytics","opencv-python","PyQt5"]forreqinrequirements:try:__import__(req.split('==')[0])exceptImportError:install(req)print("所有依赖安装完成！")

3. 主界面与逻辑 (main.py)

这是项目的核心，对应图中的main.py。它实现了 PyQt5 界面、YOLOv11 模型加载、图片/视频/摄像头检测逻辑。

# main.pyimportsysimportcv2importtorchimporttimeimportosfromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QMessageBox,QFileDialog,QLabel)fromPyQt5.QtGuiimportQImage,QPixmap,QIconfromPyQt5.QtCoreimportQt,QThread,pyqtSignal,QTimerfromultralyticsimportYOLO# --- 线程类：用于后台视频处理，防止界面卡顿 ---classDetectThread(QThread):change_pixmap_signal=pyqtSignal(QImage)log_signal=pyqtSignal(str)stats_signal=pyqtSignal(dict)def__init__(self,source=0,model_path='best.pt',conf=0.5):super().__init__()self.source=source self.model_path=model_path self.conf=conf self.running=Falsedefrun(self):self.running=True# 加载模型 (第一次运行会自动下载或加载本地权重)try:model=YOLO(self.model_path)exceptExceptionase:self.log_signal.emit(f"模型加载失败:{e}")returncap=cv2.VideoCapture(self.source)whileself.running:ret,frame=cap.read()ifret:# YOLO 推理results=model(frame,conf=self.conf,verbose=False)annotated_frame=results[0].plot()# 绘制检测框# 统计逻辑names=results[0].names boxes=results[0].boxes counts={}forclsinboxes.cls:class_name=names[int(cls)]counts[class_name]=counts.get(class_name,0)+1self.stats_signal.emit(counts)# 转换格式给 Qt 显示rgb_image=cv2.cvtColor(annotated_frame,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w convert_to_Qt_format=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)p=convert_to_Qt_format.scaled(800,600,Qt.KeepAspectRatio)self.change_pixmap_signal.emit(p)else:# 如果是视频或摄像头，循环播放或重置ifisinstance(self.source,int)orself.source.endswith(('.mp4','.avi')):cap.set(cv2.CAP_PROP_POS_FRAMES,0)else:breaktime.sleep(0.01)cap.release()defstop(self):self.running=Falseself.wait()# --- 主窗口类 ---classFireDetectionSystem(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("YOLOv11 智能火灾预警系统")self.setGeometry(100,100,1000,700)self.setWindowIcon(QIcon("assets/icon.png"))# 假设有图标# --- 界面布局 (简化版，对应你的截图风格) ---# 这里使用绝对布局或简单布局模拟截图效果self.label=QLabel(self)self.label.setGeometry(200,10,780,600)self.label.setStyleSheet("background-color: #000000; border: 1px solid #333;")self.label.setAlignment(Qt.AlignCenter)self.label.setText("等待检测...")self.label.setStyleSheet("color: white; font-size: 20px;")# 左侧控制面板 (模拟)self.create_control_panel()# 变量初始化self.thread=Noneself.model_path="best.pt"# 默认模型路径self.conf_threshold=0.5# 检查模型是否存在ifnotos.path.exists(self.model_path):QMessageBox.warning(self,"警告",f"未找到模型文件{self.model_path}，请确保文件存在！")defcreate_control_panel(self):# 这里仅做示意，实际开发建议使用 Qt Designer 生成 .ui 文件# 模拟截图中的左侧按钮pass# --- 核心功能函数 ---defload_image(self):file_name,_=QFileDialog.getOpenFileName(self,"打开图片",".","Image Files (*.png *.jpg *.bmp)")iffile_name:self.run_detection(file_name)defload_video(self):file_name,_=QFileDialog.getOpenFileName(self,"打开视频",".","Video Files (*.mp4 *.avi)")iffile_name:self.start_thread(file_name)defstart_camera(self):self.start_thread(0)# 0 代表默认摄像头defstart_thread(self,source):ifself.thread:self.thread.stop()self.thread=DetectThread(source=source,model_path=self.model_path,conf=self.conf_threshold)self.thread.change_pixmap_signal.connect(self.update_image)self.thread.stats_signal.connect(self.update_stats)self.thread.start()defrun_detection(self,source):# 单张图片检测逻辑ifisinstance(source,str)andsource.endswith(('.jpg','.png','.bmp')):model=YOLO(self.model_path)results=model(source,conf=self.conf_threshold)annotated_frame=results[0].plot()# 统计names=results[0].names boxes=results[0].boxes counts={}forclsinboxes.cls:class_name=names[int(cls)]counts[class_name]=counts.get(class_name,0)+1self.update_stats(counts)rgb_image=cv2.cvtColor(annotated_frame,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w convert_to_Qt_format=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)p=convert_to_Qt_format.scaled(800,600,Qt.KeepAspectRatio)self.update_image(p)defupdate_image(self,image):self.label.setPixmap(QPixmap.fromImage(image))self.label.setStyleSheet("")# 清除提示文字样式defupdate_stats(self,counts):# 更新界面左上角的统计数据 (模拟截图中的 "火焰: 1 烟雾: 1")# 假设你有两个 QLabel 叫做 self.lbl_fire 和 self.lbl_smokefire_count=counts.get('fire',0)smoke_count=counts.get('smoke',0)print(f"检测到 -> 火焰:{fire_count}, 烟雾:{smoke_count}")defcloseEvent(self,event):ifself.thread:self.thread.stop()event.accept()if__name__=="__main__":app=QApplication(sys.argv)window=FireDetectionSystem()window.show()sys.exit(app.exec_())

4. 模型训练代码 (train.py)

为了让你能够生成best.pt文件，你需要运行这个训练脚本。

# train.pyfromultralyticsimportYOLOdeftrain():# 1. 加载预训练模型 (推荐使用 YOLOv8n 或 YOLOv11n，速度快，适合实时检测)# 这里的 'yolov8n.pt' 会自动下载，也可以换成 yolov11n.pt 如果库支持的话model=YOLO('yolov8n.pt')# 2. 开始训练# data: 指向你的 data.yaml 路径# epochs: 训练轮数# imgsz: 图片尺寸# device: 0为GPU, 'cpu'为CPUresults=model.train(data='dataset/data.yaml',epochs=100,imgsz=640,device=0,# 如果没有GPU，改为 'cpu'batch=16,name='fire_smoke_v1')if__name__=="__main__":train()

如何运行这个项目

准备数据：按照我上一条回答，将你的火灾/烟雾图片整理好，并生成data.yaml。
训练模型：
- 运行python train.py。
- 训练完成后，会在runs/detect/fire_smoke_v1/weights/best.pt生成权重文件。
- 将best.pt复制到你的项目根目录下（与main.py同级）。
运行系统：
- 运行python main.py。
- 点击界面上的按钮（代码中已预留逻辑），选择图片或摄像头，即可看到类似你提供的截图中的检测效果。