yolo目标检测技术之yolov11项目实战（三）

---

一、 基于 YOLO11 的火焰与烟雾检测系统（实战+代码）

使用 YOLO11 实现实时火焰与烟雾检测，支持图像/视频/摄像头/RTSP 流输入，适合部署与演示。

---

项目目标

功能	支持内容
模型	YOLO11（支持检测/分割）
输入	图像、视频、摄像头、RTSP
输出	火焰/烟雾检测框、置信度
部署方式	Python + PyTorch + OpenCV
可视化界面	可扩展（如 Streamlit/Gradio）

---

环境搭建

创建虚拟环境

conda create -n yolov11_env python=3.12
conda activate yolov11_env

安装依赖

# CUDA 12.1（根据你显卡驱动选择）
pip install torch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0 --index-url https://download.pytorch.org/whl/cu121

# 安装 ultralytics（YOLO11）
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

---

1.1 数据集准备

1. 下载地址

• GitHub：DFS-FIRE-SMOKE-Dataset
• 百度云：链接（提取码：pnxx）

2. 数据格式转换（XML → TXT）

YOLO 格式要求：class_id x_center y_center width height（归一化）

import os
import xml.etree.ElementTree as ET

classes = ['_background_', 'fire', 'other', 'smoke']

def parse_xml(xml_path, txt_path):
    for xml_file in os.listdir(xml_path):
        file_name = xml_file.split('.')[0]
        tree = ET.parse(os.path.join(xml_path, xml_file))
        root = tree.getroot()

        size = root.find('size')
        w = int(size.find('width').text)
        h = int(size.find('height').text)

        with open(os.path.join(txt_path, file_name + '.txt'), 'w') as f:
            for obj in root.findall('object'):
                cls = obj.find('name').text
                cls_id = classes.index(cls)
                bndbox = obj.find('bndbox')
                xmin = float(bndbox.find('xmin').text)
                ymin = float(bndbox.find('ymin').text)
                xmax = float(bndbox.find('xmax').text)
                ymax = float(bndbox.find('ymax').text)

                x_center = ((xmin + xmax) / 2) / w
                y_center = ((ymin + ymax) / 2) / h
                width = (xmax - xmin) / w
                height = (ymax - ymin) / h

                f.write(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")

# 使用示例
if __name__ == '__main__':
    parse_xml('datasets/fire/Annotations', 'datasets/fire/labels')

---

1.2 模型训练

方法1：命令行训练

yolo detect train data=ultralytics/cfg/datasets/fire.yaml model=yolo11s.pt epochs=10 imgsz=640 batch=8 device=0 project=runs

方法2：Python 脚本训练（推荐）

from ultralytics import YOLO

if __name__ == "__main__":
    model = YOLO("yolo11s.pt")  # 加载预训练模型
    model.train(
        data="ultralytics/cfg/datasets/fire.yaml",
        epochs=10,
        batch=8,
        imgsz=640,
        device='0',
        project='runs'
    )

---

1.3 模型推理

方法1：命令行推理

yolo predict model=runs/train/weights/best.pt source=datasets/fire/test.jpg save=True

方法2：Python 脚本推理（推荐）

from ultralytics import YOLO

model = YOLO("runs/train/weights/best.pt")
results = model.predict(
    source="datasets/fire/test.jpg",
    save=True,
    conf=0.5,
    iou=0.6
)

---

1.4 常用参数对照表

参数名	含义说明	示例值
data	数据集配置文件路径	fire.yaml
model	模型权重路径或结构路径	yolo11s.pt
epochs	训练轮数	10
batch	每批次图像数量	8
imgsz	输入图像尺寸	640 / 1280
conf	置信度阈值（推理用）	0.5
iou	NMS 阈值（推理用）	0.6
device	训练/推理设备	0 / cpu
save	是否保存推理结果	True

---

1.5 性能验证

yolo val model=runs/train/weights/best.pt data=ultralytics/cfg/datasets/fire.yaml conf=0.5 iou=0.6

类别	mAP50	mAP50-95
fire	0.617	0.408
smoke	0.534	0.337
other	0.402	0.257

---

1.6 模型优化建议

优化方式	操作建议
提高输入分辨率	imgsz=1280
数据增强	mixup=0.36, copy_paste=0.33
使用更大模型	yolo11m.pt / yolo11l.pt
调整阈值	conf=0.3~0.6, iou=0.5~0.7
加入注意力机制	可尝试 C2PSA 模块

---

1.7 项目结构建议

ultralytics/
├── datasets/
│   └── fire/
│       ├── images/train
│       ├── images/val
│       ├── labels/train
│       └── labels/val
├── runs/
│   └── train/
│       └── weights/
│           ├── best.pt
│           └── last.pt
└── my_train.py / my_detect.py

---

结语

本项目适合作为 YOLO11 入门实战项目，覆盖从数据准备、训练、推理到部署的完整流程。后续可扩展为：

• Web 检测界面（Gradio/Streamlit）
• RTSP 实时流检测
• 边缘设备部署（Jetson Nano）

---

如需完整源码或部署脚本，欢迎留言或私信交流！

---