YOLOv8森林火焰烟雾识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
本文基于YOLOv8目标检测算法，构建了一套森林火焰与烟雾检测系统。数据集共包含2604张标注图像，其中训练集2083张、验证集260张、测试集261张，目标类别为火焰（fire）与烟雾（smoke）。实验结果表明，模型在验证集上的mAP@0.5达到0.70，mAP@0.5:0.95约为0.72。混淆矩阵分析显示，火焰类的真正例率为0.64，烟雾类为0.69，但两类均存在较明显的背景误检与漏检问题。F1曲线显示最佳F1值为0.65（置信度阈值0.318），PR曲线给出的烟雾AP为0.707，火焰AP为0.629。总体而言，该系统对火焰和烟雾具有初步检测能力，但仍需在降低背景干扰、提升烟雾召回率方面进一步优化。
引言
森林火灾具有突发性强、破坏性大、救援困难等特点，早期火焰与烟雾的快速检测对于减少生态与经济损失具有重要意义。传统基于传感器或卫星遥感的监测方法存在响应延迟高、部署成本大等不足。近年来，随着深度学习与计算机视觉技术的发展，基于无人机的视频图像检测逐渐成为森林防火的研究热点。
YOLO系列算法因其检测速度快、精度高，被广泛应用于实时火灾检测任务中。本文采用YOLOv8作为基础模型，构建针对森林环境的火焰与烟雾检测系统，重点分析模型在实际场景下的混淆情况、精确率与召回率表现，并探讨背景误检与目标漏检的原因，为后续改进提供依据。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
总体评价
混淆矩阵分析编辑编辑
火焰（fire）：
烟雾（smoke）：
背景（background）：
精确率-召回率与F1曲线
PR 曲线：编辑
F1曲线：编辑
训练曲线分析（results.png）
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
森林火灾的早期特征通常表现为可见的火焰与上升的烟雾。火焰具有明显的颜色、纹理与动态变化特征，相对容易被检测；而烟雾形态多变、半透明、边缘模糊，且与云雾或雾霾在视觉上存在相似性，给目标检测带来更大挑战。传统的图像处理方法（如阈值分割、背景减除）对光照、天气等环境变化敏感，泛化能力有限。基于深度学习的目标检测方法，尤其是YOLOv8，通过特征金字塔与锚框自由机制，能够更好地捕捉多尺度目标，已在火灾检测领域取得良好效果。然而，森林场景背景复杂（如阳光、落叶、雾气等），容易引发误检。此外，火焰与烟雾在空间上常同时出现，但二者的视觉特征差异显著，模型需要分别学习不同的判别特征。因此，系统评估YOLOv8在森林火焰烟雾检测中的混淆程度、误检来源及召回瓶颈，是提升其实用性的关键。
数据集介绍
本系统使用的数据集为森林火焰与烟雾检测数据集，共包含2604张图像，全部经过人工标注，目标类别为两类：fire（火焰）和smoke（烟雾）。数据集按8:1:1的比例划分为训练集、验证集和测试集，具体数量如下：
| 数据集 | 图像数量 |
|---|---|
| 训练集 | 2083 张 |
| 验证集 | 260 张 |
| 测试集 | 261 张 |
训练过程
训练结果
总体评价
模型整体有效，但对“烟雾”类的检测能力明显弱于“火焰”，且存在一定程度的误检
mAP50 ≈ 0.70（根据 results.png 最后阶段）
mAP50-95 ≈ 0.72（中等偏上）
对火焰检测较好，对烟雾检测存在较大混淆
混淆矩阵分析![]()
![]()
从confusion_matrix.png和confusion_matrix_normalized.png：
火焰（fire）：
真正例：343
被误判为烟雾：4（很少）
归一化：真正率 0.64，背景误判率 0.35
烟雾（smoke）：
真正例：179
被误判为火焰：7
归一化：真正率 0.69，背景误判率 0.29
背景（background）：
被误判为火焰：187
被误判为烟雾：76
精确率-召回率与F1曲线
PR 曲线：![]()
火焰 AP = 0.629
烟雾 AP = 0.707
mAP@0.5 = 0.668
烟雾的 AP 反而比火焰高？
这需要结合混淆矩阵解释：烟雾虽然漏检多，但预测为正样本的烟雾中，正确比例较高（精确率较高）。
F1曲线：![]()
最佳 F1 ≈0.65 @ 置信度 0.318
说明模型在较低置信度下才能平衡精确率和召回率
模型不够自信，需要低阈值才能召回更多目标
训练曲线分析（results.png）
从results.png数据看出：
训练损失：box loss / cls loss / dfl loss 持续下降 → 训练正常
验证损失：前期下降，中后期趋于平稳 → 没有严重过拟合
精确率：最终稳定在1.0附近（偏高，需谨慎）
召回率：稳定在1.0附近
mAP50：~0.70
mAP50-95：~0.72
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：