烟雾识别任务的应用场景主要主要体现在以下几个方面：

1. 火灾预警：烟雾是火灾的早期信号，通过烟雾识别技术可以及时发现火灾并及时采取应急措施，减少火灾对人员和财产的损失。

2. 工业安全监测：在工业生产过程中，烟雾可能是一些危险化学品泄露或燃烧产生的，通过烟雾识别可以实时监测工业环境中的烟雾情况，确保工作人员的安全。

3. 空气质量监测：烟雾是空气中的一种污染物，通过对烟雾含量的监测和识别，可以评估空气质量，及时采取措施改善环境质量。

4. 智能安防监控：在监控系统中集成烟雾识别技术，可以提高安防监控的智能化水平，及时发现异常情况，保障人员和财产的安全。

        烟雾识别的应用可以提高安全性和生活质量，预防灾难和事故的发生，保护人们的生命和财产安全。

         本文以YOLOv8为基础，设计研究了基于YOLOv8的烟雾识别任务，提取各种场景下的烟雾自动检测，包含完整数据介绍、训练过程和测试结果全流程。

 若需要完整数据集和源代码请私信。

 

目录

🌷🌷1.数据集介绍

👍👍2.烟雾检测实现效果

🍎🍎3.YOLOv8识别烟雾算法步骤

🍋3.1数据准备

🍋3.2模型选择

🍋3.3加载预训练模型

🍋3.4输入数据组织

🍭🍭4.目标检测训练代码

⭐4.1训练过程

⭐4.2训练结果

🏆🏆5.目标检测推理代码

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

---

🌷🌷1.数据集介绍

        烟雾检测数据集总共包含19208张样本数据，其中训练集18240张，验证集1968张，部分影像展示如下：

        label为txt格式的yolo目标检测格式，示例txt文件内容为：

        训练验证比例可以自行调整，这里不赘述。

👍👍2.烟雾检测实现效果

        YOLOv8识别烟雾的预测效果如下：

识别精度为54.9%，以AP50来计算。

注意，此数据集只识别烟雾，不包含火灾，也就是有明火的场景下只检测烟雾，不识别火焰。

🍎🍎3.YOLOv8识别烟雾算法步骤

        通过目标检测方法进行烟雾识别的方法不限，本文以YOLOv8为例进行说明。

🍋3.1数据准备

        烟雾检测数据集总共包含19208张样本数据，其中训练集18240张，验证集1968张。

        从以上两组图可以看到，烟雾数据集正负样本分布不是很均衡，这也是识别精度不高的主要原因。

数据组织结构：

----fire_dataset
       ----images
                ----train
                ----val
        ----labels
                ----train
                ----val

 images/train文件夹如下：

labels/train文件夹如下：

  模型训练label部分采用的是YOLO格式的txt文件，所以如果自己的数据集是xml格式或者json格式需要进行转换哦，转换可移步这里。

        具体txt格式内容如1.数据集介绍中所示。

🍋3.2模型选择

        以YOLOv8n为例，模型选择代码如下：

 
from ultralytics import YOLO
 
# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
 

        其中yolov8n.yaml为./ultralytics/cfg/models/v8/yolov8n.yaml，可根据自己的数据进行模型调整，打开yolov8n.yaml显示内容如下：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
 
# Parameters
nc: 2 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
 
# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
 
# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f, [512]] # 12
 
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f, [256]] # 15 (P3/8-small)
 
  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f, [512]] # 18 (P4/16-medium)
 
  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2f, [1024]] # 21 (P5/32-large)
 
  - [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)

主要需要修改的地方为nc，也就是num_class，此处数据集类别为1类，所以nc=1。

        如果其他的模型参数不变的话，就默认保持原版yolov8，需要改造模型结构的大佬请绕行。

🍋3.3加载预训练模型

        加载预训练模型yolov8n.pt，可以在第一次运行时自动下载，如果受到下载速度限制，也可以自行下载好（下载链接），放在对应目录下即可。

 

🍋3.4输入数据组织

        yolov8还是以yolo格式的数据为例，./ultralytics/cfg/datasets/data.yaml的内容示例如下：

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)
 
# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  # ...
  77: teddy bear
  78: hair drier
  79: toothbrush

        这个是官方的标准coco数据集，需要换成自己的数据集格式，此处建议根据自己的数据集设置新建一个fall_detect_coco128.yaml文件，放在./ultralytics/cfg/datasets/目录下，最后数据集设置就可以直接用自己的SMOKE_detect_coco128.yaml文件了。以我的SMOKE_detect_coco128.yaml文件为例：

 
path: /home/datasets/smoke  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test: images/test # test images (optional)
 
names:
  0: smoke

🍭🍭4.目标检测训练代码

准备好数据和模型之后，就可以开始训练了，train.py的内容显示为：

from ultralytics import YOLO
 
# Load a model
#model = YOLO('yolov8n.yaml')  # build a new model from YAML
#model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
 
# Train the model
results = model.train(data='smokee_detect_coco128.yaml', epochs=100, imgsz=640)

        通常我会选择在基础YOLO模型上进行transfer微调，不会从头开始训练，如果想自己从头开始，可以自行选择第一种方式。这里建议选择第三种。

⭐4.1训练过程

        开始训练之后就会开始打印log文件了。如下图所示：

        训练完成后会在/run/detect/目录下生成train或者train+数字的文件夹，存放你的训练结果。

⭐4.2训练结果

训练完成后的结果如下：

        其中weights文件夹内会包含2个模型，一个best.pth，一个last.pth。

        至此就可以使用best.pth进行推理检测是否发生火灾了。

训练精度展示：

 

🏆🏆5.目标检测推理代码

        批量推理python代码如下：

from ultralytics import YOLO
from PIL import Image
import cv2
import os
 
 
model = YOLO('/yolov8/runs/detect/train5/weights/best.pt')  # load a custom model
path = '/home/dataset/smoke/images/test/'  #test_image_path_dir
img_list = os.listdir(path)
for img_path in img_list:
###  =============detect=====================
    im1 = Image.open(os.path.join(path,img_path))
    results = model.predict(source=im1, save=True,save_txt=True)

若需要完整数据集和源代码可以私信。 

 

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸⛵⛵⭐⭐🍎🍎👍👍🌷🌷