class YOLOv8v5Detector(Detector):
    def __init__(self, params=None):
        super().__init__(params)
        self.model = None
        self.img = None
        self.names = list(Chinese_name.values())
        self.params = params if params else ini_params
	def load_model(self, model_path):
	    self.device = select_device(self.params['device'])
	    self.model = YOLO(model_path)
	    names_dict = self.model.names
	    self.names = [Chinese_name[v] if v in Chinese_name else v for v in names_dict.values()]
	    self.model(torch.zeros(1, 3, *[self.imgsz] * 2).to(self.device).type_as(next(self.model.model.parameters())))
	def preprocess(self, img):
	    self.img = img
	    return img
	
	def predict(self, img):
	    results = self.model(img, **ini_params)
	    return results
	
	def postprocess(self, pred):
	    results = []
	    for res in pred[0].boxes:
	        for box in res:
	            class_id = int(box.cls.cpu())
	            bbox = box.xyxy.cpu().squeeze().tolist()
	            bbox = [int(coord) for coord in bbox]
	            result = {
	                "class_name": self.names[class_id],
	                "bbox": bbox,
	                "score": box.conf.cpu().squeeze().item(),
	                "class_id": class_id,
	            }
	            results.append(result)
	    return results
	    
    def set_param(self, params):
        self.params.update(params)

        postprocess函数处理模型的输出，将其转换成一个易于理解和可用于进一步分析的结构化格式。这涉及到将类别ID映射到可识别的类别名称，格式化边界框坐标，以及提取置信度分数。set_param方法允许动态更新模型的参数，这为实时应用提供了调整模型行为的灵活性。

        综合上述步骤，这段代码描述了一个从端到端的对象检测流程：从数据的输入、处理，到模型的加载、预测，再到结果的输出和解释。这为火焰与烟雾检测提供了一个完整的解决方案，是构建实用安全监测应用的坚实基础。

4.3 训练代码

        在本节博客中，我们将深入讨论火焰与烟雾检测模型的训练过程。本过程涵盖从准备数据集、加载预训练模型到执行训练周期的每个步骤。以下是训练流程的详细介绍，它展示了如何从准备数据到实际训练模型的每一个关键阶段。以下表格详细介绍了YOLOv8模型训练中使用的一些重要超参数及其设置：

超参数	设置	说明
学习率（lr0）	0.01	决定了模型权重调整的步长大小，在训练初期有助于快速收敛。
学习率衰减（lrf）	0.01	控制训练过程中学习率的降低速度，有助于模型在训练后期细致调整。
动量（momentum）	0.937	加速模型在正确方向上的学习，并减少震荡，加快收敛速度。
权重衰减（weight_decay）	0.0005	防止过拟合，通过在损失函数中添加正则项减少模型复杂度。
热身训练周期（warmup_epochs）	3.0	初始几个周期内以较低的学习率开始训练，逐渐增加到预定学习率。
批量大小（batch）	16	每次迭代训练中输入模型的样本数，影响GPU内存使用和模型性能。
输入图像大小（imgsz）	640	模型接受的输入图像的尺寸，影响模型的识别能力和计算负担。

        环境设置与模型加载：首先，我们导入了必要的Python库和模块。os和yaml用于处理文件路径和读取数据配置文件，而torch是我们的深度学习框架。另外，我们从ultralytics库中导入了YOLO类，这是我们将要训练的深度学习模型。

import os
import torch
import yaml
from ultralytics import YOLO  # 用于加载YOLO模型
from QtFusion.path import abs_path  # 用于获取文件的绝对路径

        我们使用PyTorch的设备管理功能，代码自动检测系统中是否有可用的GPU，并据此设置设备变量。这是因为GPU可以显著加速模型训练过程。

device = "0" if torch.cuda.is_available() else "cpu"

        数据集准备：在这里，我们还设定了数据加载过程中所使用的工作进程数（workers）和每个批次的大小（batch）。使用更多的工作进程可以加速数据的读取，而批次大小则直接关联到训练的内存消耗和梯度更新频率。然后，我们准备数据集的配置。这包括解析数据集配置文件的路径，并更新其中的path项，以确保它指向正确的目录。这一步骤对于正确加载训练和验证数据至关重要。

workers = 1  # 工作进程数
batch = 8  # 每批处理的图像数量
data_name = "FireSmoke"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')
unix_style_path = data_path.replace(os.sep, '/')

        为了保证文件路径的一致性和正确性，我们采用了os和yaml库对数据配置文件进行读取和修改。这项工作确保了无论在什么系统上，无论代码运行在哪个目录下，路径总能被正确解析。

directory_path = os.path.dirname(unix_style_path)
with open(data_path, 'r') as file:
    data = yaml.load(file, Loader=yaml.FullLoader)

if 'path' in data:
    data['path'] = directory_path
    with open(data_path, 'w') as file:
        yaml.safe_dump(data, file, sort_keys=False)

        训练模型：接下来，模型训练的关键步骤是加载YOLOv8模型。我们从预先训练好的权重开始，这允许模型在现有的知识基础上进一步学习。训练的执行通过调用model.train()函数进行，其中指定了数据路径、训练设备、工作进程数、图像大小、训练周期和批次大小。这些参数控制了训练过程的各个方面，从计算资源的使用到模型如何接收和处理数据。

model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect')  # 加载预训练的YOLOv8模型
# model = YOLO('./weights/yolov5.yaml', task='detect').load('./weights/yolov5nu.pt')  # 加载预训练的YOLOv8模型
# Training.
results = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v5_' + data_name  # 指定训练任务的名称
)
model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')  # 加载预训练的YOLOv8模型
results2 = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v8_' + data_name  # 指定训练任务的名称
)

        通过这种方式，我们不仅为火焰与烟雾检测任务提供了一套标准化的训练流程，而且通过精心选择的参数和迁移学习的应用，最大化了训练过程的效率和最终模型的性能。

---

5. 实验结果与分析

5.1 训练曲线

        在深度学习的训练过程中，损失函数和评价指标的图像提供了对模型性能和学习进度的直观理解。图像展示了在训练YOLOv8模型过程中的多个关键指标，包括损失函数值、精确度（Precision）、召回率（Recall）以及平均精度（mAP）。以下是对这些图像的分析。

        在训练的损失函数图表中，我们可以看到，随着训练进程的推进，train/box_loss、train/cls_loss以及train/obj_loss逐渐减小，并趋于稳定。这表明模型在识别对象的位置、分类对象以及确定目标对象存在的置信度方面表现出了学习效果，且随着时间的推移这一效果变得更加稳定和可靠。特别是边框损失（box_loss），它的稳定下降表明模型在定位目标框方面变得越来越准确。分类损失（cls_loss）和目标损失（obj_loss）的下降也指出模型在分类准确度和目标检测置信度上有所提高。

        验证集上的损失函数，即val/box_loss、val/cls_loss和val/obj_loss，也显示出了类似的下降趋势，这是一个积极的信号，说明模型在未见过的数据上同样表现良好，而不仅仅是在训练集上。这种趋势表明模型具有良好的泛化能力，这在实际应用中是非常重要的。

        至于性能指标，metrics/precision和metrics/recall展示了模型随着训练时间的推移逐渐提高的性能。精确度的提升意味着模型在判断图像中是否存在火焰或烟雾时越来越少做出错误的肯定，而召回率的提升则说明模型能够检测到更多的正样本（即实际存在的火焰或烟雾）。这两个指标的平衡是目标检测任务中的重要考量，高精确度和高召回率通常难以同时实现，因为它们在很多情况下是相互竞争的。

        最后，我们看到metrics/mAP50和metrics/mAP50-95指标，它们分别表示在IOU阈值为50%和50%至95%不等阈值下的平均精度。mAP（平均精度均值）是目标检测中最重要的评估标准之一，mAP50的提高表明模型在较低IOU阈值下性能良好，而mAP50-95的稳步增长则证明了模型在更严格的条件下也能保持较高的检测准确性。

        综合这些图表，我们可以得出结论：模型在训练过程中表现出持续的进步，不仅学习了如何准确地检测火焰与烟雾，而且还提高了在各种情况下的检测准确度。损失函数的下降和性能指标的提升表明了模型优化的成功，为实际部署和应用提供了坚实的基础。

5.2 PR曲线图

        Precision-Recall (PR) 曲线是评估目标检测模型性能的关键工具，特别是在类别不平衡的数据集中。在火焰与烟雾检测任务中，精确度（Precision）表示模型正确识别火焰或烟雾的能力，而召回率（Recall）则表示模型检测到所有火焰或烟雾实例的能力。PR曲线图展示了在不同置信阈值下模型精确度与召回率的关系。

        我们可以观察到两个不同类别——火焰（Fire）和烟雾（Smoke）——以及所有类别的总体表现。火焰的最大平均精确度（mAP）为0.610，烟雾的mAP为0.657，整体所有类别的mAP达到了0.634。这些mAP值是在IOU阈值为0.5时计算得出的，它们为检测任务的性能提供了量化的指标。

        通过分析PR曲线，我们可以看到，随着召回率的增加，即模型尝试检测更多的正样本，精确度开始下降。这是因为在努力检测更多实例的同时，模型可能会将更多的负样本误判为正样本，导致精确度降低。另一方面，如果我们提高模型的置信度阈值，以便仅在非常确定的情况下才标记火焰或烟雾，精确度会增加，但召回率会降低，因为模型会漏检一些实际存在的目标。

        对于火焰检测，PR曲线表现出较高的精确度，直到召回率接近0.6左右。这表明模型对于火焰的检测在大多数情况下都是准确的，但仍有提升空间，尤其是在提高召回率的同时保持高精确度方面。烟雾检测的精确度曲线稍低，这可能是因为烟雾的视觉特征比火焰更加多样和复杂，使得模型更难以在没有误报的情况下检测出所有烟雾实例。

        从整体上看，模型在火焰和烟雾检测上的综合性能是令人满意的，mAP值指示了模型在检测常见火焰与烟雾场景时具有良好的准确性。然而，为了进一步提升性能，可以考虑优化模型架构或训练策略，例如，通过增加更具挑战性的样本来训练模型，或者应用更复杂的数据增强技术来模拟多变的火焰和烟雾条件。此外，可以考虑采用不同的损失函数，或调整现有损失函数的权重，以便更加平衡精确度与召回率之间的关系。

5.3 YOLOv8/v7/v6/v5对比实验

（1）实验设计：
        本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在火焰与烟雾目标检测任务上的性能。为了实现这一目标，博主分别使用使用相同的数据集训练和测试了这四个模型，从而可以进行直接的性能比较。该数据集包含火焰与烟雾的图像。本文将比较分析四种模型，旨在揭示每种模型的优缺点，探讨它们在工业环境中实际应用的场景选择。

模型	图像大小 (像素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	参数数量 (百万)	FLOPs (十亿)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指标：

• F1-Score：F1-Score 作为衡量模型性能的重要指标，尤其在处理类别分布不均的数据集时显得尤为关键。它通过结合精确率与召回率，提供了一个单一的度量标准，能够全面评价模型的效能。精确率衡量的是模型在所有被标记为正例中真正属于正例的比例，而召回率则关注于模型能够识别出的真正正例占所有实际正例的比例。F1-Score通过两者的调和平均，确保了只有当精确率和召回率同时高时，模型的性能评估才会高，从而确保了模型对于正例的预测既准确又完整。
• mAP（Mean Average Precision）：在目标检测任务中，Mean Average Precision（mAP）是评估模型性能的重要标准。它不仅反映了模型对单个类别的识别精度，而且还考虑了所有类别的平均表现，因此提供了一个全局的性能度量。在计算mAP时，模型对于每个类别的预测被单独考虑，然后计算每个类别的平均精度（AP），最后这些AP值的平均数形成了mAP。

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.646	0.670	0.638	0.634
F1-Score	0.65	0.69	0.66	0.64

（3）实验结果分析：

       在目标检测领域，模型的性能评估通常通过多个维度来衡量，其中mAP（平均精度均值）和F1-Score是最为关键的两个指标。mAP衡量的是模型在不同置信度阈值下检测正确性的平均水平，而F1-Score则是精确度（Precision）和召回率（Recall）的调和平均数，两者共同描绘了模型性能的全貌。

       从实验结果来看，YOLOv6n在mAP指标上达到了0.670，领先于其他三个版本，表明其在识别火焰与烟雾时整体性能最佳。YOLOv6n的结构和算法优化可能更适合我们的数据集特性，例如，它可能在处理数据集中存在的特定类型的火焰和烟雾图像时，能够提供更准确的边界框定位和类别预测。紧随其后的是YOLOv7-tiny版本，其mAP为0.638。作为一个轻量级模型，YOLOv7-tiny通常旨在平衡速度与准确度，这可能是其在mAP上略低于YOLOv6n的原因。它可能在快速检测方面表现更好，但在精确度方面稍逊一筹。

       YOLOv5nu的mAP和F1-Score分别为0.646和0.65，表现出了良好的综合能力，但与YOLOv6n相比，其对火焰与烟雾的检测能力略显不足。这可能与其模型结构或训练时使用的特征提取技术有关。

        最新的YOLOv8n，mAP为0.634，在四个模型中排名最后，但其实与YOLOv5nu的表现相差无几。YOLOv8n的设计可能更侧重于其他方面的性能提升，如检测速度或模型大小，而不是最大化mAP值。

        在应用实际火焰与烟雾检测任务时，选择合适的模型不仅要考虑指标评分，还需要考虑实际应用场景。例如，在对实时性要求极高的场景中，YOLOv7-tiny可能更受欢迎，而在需要极高准确度的场合，则可能偏向于选择YOLOv6n。这一选择将基于任务的具体需求，如处理速度、资源限制、以及模型在特定类型图像上的表现等。通过全面分析不同模型的性能，我们能够为特定的使用场景选择最适合的YOLO版本，以确保既高效又准确的检测性能。

---

6. 系统设计与实现

6.1 系统架构概览

        在探讨基于YOLOv8/v7/v6/v5的火焰与烟雾检测系统的架构设计时，我们必须深入了解系统的内部组件以及这些组件如何协同工作以实现高效、准确的检测。本系统采用了深度学习的方法，特别是利用了YOLO（You Only Look Once）算法的多个版本，以提供实时且精确的火焰和烟雾检测。以下是系统的主要组件和它们的功能：

1. 检测系统类 (Detection_UI)：这是系统的主要入口，负责整合不同的模块，并提供用户界面（UI）以与系统交互。它初始化系统配置，处理用户输入（如摄像头流、图片文件或视频文件），并显示检测结果。

2. 模型加载与检测 (YOLOv8v5Detector)：此类是系统的核心，负责加载训练好的YOLO模型，并执行实际的检测任务。它使用load_model方法加载模型权重，并通过predict方法对输入图像进行预测。这个类是如何适应不同版本的YOLO算法（v5至v8），并确保模型可以处理各种检测任务的关键。

3. 数据处理与日志 (LogTable，ResultLogger)：LogTable负责管理和记录检测结果的日志，方便用户查看和导出检测结果。ResultLogger则用于格式化检测结果，使之易于理解和展示。

4. 图像处理工具 (drawRectBox)：一个实用的功能，用于在检测到的对象（如火焰和烟雾）周围绘制边框，增强结果的可视化效果。此功能对于提高用户对检测结果的认识非常重要。

6.2 系统流程

        在基于YOLOv8/v7/v6/v5的火焰与烟雾检测系统中，系统流程是整个应用运行的骨架。下面，我们将通过一系列的步骤详细介绍这一流程，以便于理解系统的工作机制。

1. 初始化系统：系统启动时，首先实例化Detection_UI类，这一步骤触发了整个系统配置的初始化过程。包括设置页面布局(setup_page)、初始化侧边栏选项(setup_sidebar)，如模型类型、置信度阈值、IOU阈值等。

2. 模型选择与加载：用户通过侧边栏选择所需的YOLO模型版本（v5至v8之间）及模型文件。系统根据选择调用YOLOv8v5Detector类的load_model方法加载对应的预训练模型权重。

3. 输入源选择：用户接下来选择输入源，可以是摄像头流、图片文件或视频文件。此选择将决定后续的处理流程。

4. 处理输入：根据用户的输入源选择，Detection_UI类调用process_camera_or_file方法进行处理。对于摄像头流：系统循环捕获摄像头的实时视频帧，并将每帧图像传递给模型进行检测。对于图片文件：系统读取并处理上传的图片，然后传递给模型进行检测。对于视频文件：系统逐帧读取视频文件，并将每帧图像传递给模型进行检测。

5. 执行检测：不论是实时视频帧、单张图片还是视频帧，YOLOv8v5Detector通过其predict方法对输入图像进行检测。这涉及图像预处理、模型预测及后处理等步骤，以识别图像中的火焰和烟雾。

6. 展示结果：检测结果通过辅助函数drawRectBox在图像上绘制边框和标签，增强可视化效果。同时，LogTable和ResultLogger类记录检测的详细信息，并在系统UI上以表格形式展示。

7. 结果导出：用户可选择导出检测结果。系统将检测日志保存为CSV文件，并可将标注过的图像或视频保存到本地。

8. 循环或终止：对于摄像头流和视频文件，此过程将循环执行，直到用户决定停止；对于单张图片，处理完成后即等待用户的下一步操作。

        通过上述流程，系统能够实现对火焰和烟雾的快速准确检测，并以用户友好的方式提供实时反馈和结果记录功能。这一流程不仅体现了系统设计的高效性和灵活性，也确保了用户可以根据具体需求轻松地进行配置和使用。

---

代码下载链接

         如果您希望获取博客中提及的完整资源包，包含测试图片、视频、Python文件(*.py)、网页配置文件、训练数据集、代码及界面设计等，可访问博主在面包多平台的上传内容。相关的博客和视频资料提供了所有必要文件的下载链接，以便一键运行。完整资源的预览如下图所示：

        资源包中涵盖了你需要的训练测试数据集、训练测试代码、UI界面代码等完整资源，完整项目文件的下载链接可在下面的视频简介中找到➷➷➷

演示与介绍视频 ：https://www.bilibili.com/video/BV1ut421n7nS/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2Xm5xq
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2XmJ9y
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2XmZ9u
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Xmp9s

完整安装运行教程：

        这个项目的运行需要用到Anaconda和Pycharm两个软件，下载到资源代码后，您可以按照以下链接提供的详细安装教程操作即可运行成功，如仍有运行问题可私信博主解决：

1. Pycharm和Anaconda的安装教程：https://deepcode.blog.csdn.net/article/details/136639378；

        软件安装好后需要为本项目新建Python环境、安装依赖库，并在Pycharm中设置环境，这几步采用下面的教程可选在线安装（pip install直接在线下载包）或离线依赖包（博主提供的离线包直接装）安装两种方式之一：

2. Python环境配置教程：https://deepcode.blog.csdn.net/article/details/136639396（2,3方法可选一种）；
3. 离线依赖包的安装指南：https://deepcode.blog.csdn.net/article/details/136650641（2,3方法可选一种）；

        如使用离线包方式安装，请下载离线依赖库，下载地址：https://pan.baidu.com/s/1uHbU9YzSqN0YP_dTHBgpFw?pwd=mt8u （提取码：mt8u）。

---

7. 结论与未来工作

        本文深入研究并实践了基于YOLOv8/v7/v6/v5的深度学习模型在火焰与烟雾检测领域的应用，成功开发了一个集成了这些先进算法的检测系统。通过对YOLO系列模型的细致比较和精心优化，本研究不仅显著提升了火焰与烟雾检测的准确率和实时性，还借助Streamlit框架创建了一个直观、用户友好的Web应用。该应用使用户能够轻松地进行火焰与烟雾检测，极大地提升了在实际应用场景中的可用性和有效性。

        通过一系列的实验验证，本研究提出的检测方法在准确性和处理速度上都达到了高标准。同时，我们提供了完整的数据集处理流程、模型训练与预测代码，以及基于Streamlit的系统设计和实现细节，为后续研究者和开发者提供了极大的便利，使其能够轻松复现和参考。尽管已经取得了显著成果，火焰与烟雾检测作为一项具有挑战性的任务，仍有很多改进空间。在未来工作中，我们计划从以下方向进行深入探索：

• 模型优化：继续研究深层次的网络结构和优化策略，如神经网络架构搜索（NAS），以进一步提高模型的性能和效率。
• 多模态融合：考虑结合图像以外的其他模态信息，如温度数据、烟雾密度传感数据等，采用多模态学习方法，实现更准确的火焰与烟雾检测。
• 跨域适应性：研究不同环境下的火焰与烟雾检测，如室内外场景的变化，通过领域自适应技术提高模型的泛化能力。
• 用户交互体验：进一步优化系统的用户界面和交互设计，使其更加人性化和智能化，满足不同用户群体的需求。
• 实际应用拓展：探索火焰与烟雾检测在更广泛的实际应用场景中的可能性，如森林防火、工业安全监控等，最大化其社会和经济价值。

        总体而言，基于深度学习的火焰与烟雾检测技术正处于飞速发展之中。随着技术进步和应用场景的拓展，我们有理由相信，在不久的将来，该技术将在人类生活的多个领域，如公共安全、环境监测、灾难预防等，发挥更加关键的作用。

---

1. Liu C, Tao Y, Liang J, et al. Object detection based on YOLO network[C]//2018 IEEE 4th information technology and mechatronics engineering conference (ITOEC). IEEE, 2018: 799-803. ↩︎

2. Zhu X, Lyu S, Wang X, et al. TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 2778-2788. ↩︎

3. Sun Z, Chen B. Research on Pedestrian Detection and Recognition Based on Improved YOLOv6 Algorithm[C]//International Conference on Artificial Intelligence in China. Singapore: Springer Nature Singapore, 2022: 281-289. ↩︎

4. Lou H, Duan X, Guo J, et al. DC-YOLOv8: small-size object detection algorithm based on camera sensor[J]. Electronics, 2023, 12(10): 2323. ↩︎

5. Zhao H, Zhang H, Zhao Y. Yolov7-sea: Object detection of maritime uav images based on improved yolov7[C]//Proceedings of the IEEE/CVF winter conference on applications of computer vision. 2023: 233-238. ↩︎