YOLOv8火灾烟雾检测实战：2963张数据集训练与避坑指南

简介YOLO系列算法火灾探测数据集含2963张带标签图像覆盖火焰与烟雾目标面向目标检测初学者及消防、安防监控场景的算法开发者。数据集已完成训练/验证/测试划分并随包提供data.yaml配置文件可直接适配yolov5、yolov7、yolov8、yolov9、yolov10、yolo11等主流算法免去自行整理数据集的繁琐。标签采用两种格式YOLO格式的txt文件与VOC格式的xml文件分别存放在独立文件夹中其中YOLO标签包含类别索引以及归一化的中心点x、y坐标和宽高值格式规范统一便于直接读取和训练。压缩包内共2000个文件以xml标注文件为主整体大小236.22MB目录结构清晰且文件名分类明确便于用户按需检索。目前已有47人学习下载对于需要标准化火情检测数据集的开发者而言可有效节省数据清洗、格式转换与标注整理的时间快速开展火灾识别相关实验。1. YOLO火灾探测数据集2963张标注图能直接训练但先做体检消防监控里最难的不是模型选型而是数据集本身。火焰颜色和路灯接近烟的边缘是半透明的同一帧画面里火和烟的尺度能从几个像素跨度到整帧——这份 YOLO 火灾探测数据集总共 2963 张带标签图像类别就是 fire 和 smoke解压 zip 后可以直接喂给 YOLOv8 训练。但请先冷静一下我拆过不少目标检测数据集真正决定模型能不能落地的不是张数而是标签质量、类别平衡和场景覆盖。下面就用这份数据集走一遍「体检 → 训练 → 评测 → 避坑 → 进阶」的完整流程适合做智慧消防、烟火早期预警或课程设计目标检测的人直接照做。2. 先给这份火灾数据集体检目录结构、归一化标注与适用边界拿到 zip 先别急着解压训练先看骨架。我经手过的数据集里目录结构五花八门有的 images 和 labels 在同一层有的套了一层日期文件夹还有的类别文件和标签对不上号。2963 张图不算多但一旦标签错位、坐标越界后面所有训练都是白费。这一章的核心任务就三个确认目录对位关系、校验标注格式合法性、判断这份数据适不适合你的场景。2.1 images 与 labels 的对位关系用文件统计快速定位异常解压后最常见的是 images/ 与 labels/ 两个顶层目录图像放 jpg 或 png标签放同名 txt。先扫一遍文件类型和数量比肉眼一个个翻靠谱得多。unzip yolo_fire_smoke.zip -d ./fire_smoke cd ./fire_smoke find . -type f | awk -F. {print $NF} | sort | uniq -c这条命令把解压后的所有文件按扩展名分组计数。我要确认三件事图片格式是否统一txt 数量是否约等于图片数量有没有混进去 json、xml 之类的其他标注文件。如果 txt 数量明显少于图片说明这批数据里有未标注的空样本模型等于被喂了噪声。如果出现 xml 或 json说明原始标注可能是 Pascal VOC 或 COCO 格式后面训练前得先做格式转换不能直接拿来用。文件清点没问题后再随机抽三张图把同名 txt 里的坐标还原成框画上去肉眼确认标注和画面内容是否对应。这一步不能省因为「类别文件对得上」和「框得准不准」是两回事。图片命名和标签命名必须严格同名只是扩展名不同这点在 3.1 的切分脚本里也会强依赖。2.2 标注坐标校验脚本越界、空 txt 与类别 ID 错位一次查清YOLO 系列的标注格式非常固定每行一个目标五个字段分别是类别 ID、中心点 x、中心点 y、宽度 w、高度 h全部归一化到 0 到 1 区间。格式本身不难但坑全藏在细节里。import os import glob label_dir labels ok True for txt in glob.glob(os.path.join(label_dir, *.txt)): with open(txt, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f字段数错误: {txt} - {line.strip()}) ok False continue cls_id, cx, cy, w, h map(float, parts) # 类别 ID 必须是非负整数且不要超过类别总数 if int(cls_id) 0 or int(cls_id) 2: print(f类别ID越界: {txt} - {line.strip()}) ok False # 归一化坐标必须落在 [0,1]宽高必须为正 if not (0 cx 1 and 0 cy 1 and w 0 and h 0): print(f坐标越界: {txt} - {line.strip()}) ok False # 框最右/最下边缘不能超过图像边界1.001 是容忍浮点误差 if cx 0.5 * w 1.001 or cy 0.5 * h 1.001: print(f框超出图像边界: {txt} - {line.strip()}) ok False print(数据检查通过 if ok else 发现异常先修标签再训练)这段脚本把每行拆成五个字段逐项检查字段数、类别范围、坐标范围、框是否越界。我把类别总数先写死成 2对应 fire 和 smoke如果你后续新增了类别要把阈值同步改掉。这里最容易被忽略的是最后一项YOLO 训练时对越界坐标不会硬报错很多情况下会当作框超出图像区域继续参与损失计算结果模型学到一堆不存在的边缘特征训练损失一路抖mAP 却上不去。我见过最典型的案例是标注工具把像素坐标当成归一化坐标直接写进 txtcx、cy、w、h 全部超过 1模型照样能跑完训练只是精度一塌糊涂。建议把这个脚本保存成 tools/check_labels.py以后每次拿到新数据集先跑一遍比训练完再排查高效太多。2.3 fire 与 smoke 的标注难点这份数据集适合什么场景这份数据集的核心价值在于同时覆盖火和烟两个类别。火有明确的颜色与纹理先验检测难度相对低烟边缘模糊、呈半透明和背景的对比度不稳定难度明显上了一个台阶。两类目标对模型的要求完全不同火主要靠颜色和纹理响应烟主要靠上下文和区域对比度。从标注质量评估的角度看火的标注框相对稳定但烟的标注千奇百怪有人只框浓烟核心有人把一大片灰白区域整个框进去还有人把背景里的建筑边缘一起包进来。判断标准很简单——统计两个类别的框面积分布和宽高比如果烟的框普遍比火大十倍以上不是数据有错而是标注者对「烟」的边界理解不一致。适用场景方面这份数据适合室内外监控、园区火情预警、早期烟雾报警这类中近距离画面不太适合远距离森林火灾里的细长烟柱以及画面里只有一个极小火苗的极端情况。后者属于小目标问题要靠输入尺寸和增强策略来补在第 4 章评测部分会展开。3. 把 2963 张图整理成 YOLOv8 能直接吃的训练集数据体检通过后下一步就是整理成 ultralytics 能识别的目录结构。很多打包数据集不会给你分好 train/val/test需要自己切。我在这个环节的准则是不动原始数据、固定随机种子、切分后做类别分布抽查三层都过关才进训练。3.1 按 8:1:1 切分并保留原始目录固定随机种子脚本有些数据集会直接给 train/val 子目录但这份 zip 的原始组织方式不见得预切分好了。我习惯在自己机器上重新划分保证测试集从头到尾不参与训练。import os import random import shutil # 固定随机种子保证每次切分结果一致后续增强对比才有意义 random.seed(42) image_dir images label_dir labels train_r, val_r, test_r 0.8, 0.1, 0.1 names [f for f in os.listdir(image_dir) if f.lower().endswith((.jpg, .jpeg, .png))] random.shuffle(names) n_train int(len(names) * train_r) n_val int(len(names) * (train_r val_r)) for i, name in enumerate(names): subset train if i n_train else (val if i n_val else test) os.makedirs(fdataset/{subset}/images, exist_okTrue) os.makedirs(fdataset/{subset}/labels, exist_okTrue) shutil.copy(os.path.join(image_dir, name), fdataset/{subset}/images/{name}) # 标签名与图片名同名只改扩展名 label_name os.path.splitext(name)[0] .txt if os.path.exists(os.path.join(label_dir, label_name)): shutil.copy(os.path.join(label_dir, label_name), fdataset/{subset}/labels/{label_name})固定 seed 到 42是为了之后每次调整训练参数时的对比是公平的——如果你今天切一次、明天又切一次验证集分布完全不同模型精度的浮动根本没法归因。8:1:1 是折中方案2963 张图切出约 300 张测试集足够说明问题。这里用 copy 而不用 move是因为原始数据留着还有用——第 5 章提到标注规范调整时你可能需要重新切分。切完之后要检查子集的类别分布是否失衡。随机切分有时会把某一类场景集中切进验证集导致验证 mAP 剧烈波动。更好的做法是按文件夹或场景做分层抽样这个坑在 5.5 里详细说。3.2 data.yaml 里的路径与类别顺序反了不报错但预测全乱ultralytics 框架通过 data.yaml 描述数据集路径和类别名YOLO 对 txt 里的 class_id 是逐个对应 names 列表下标的。如果标签里 0 代表 fire、1 代表 smoke那 data.yaml 里 names 第一个必须是 fire。这步反了框架不会报任何错误损失照常下降但部署时模型会把火叫成烟。# dataset/data.yaml path: ./dataset train: train/images val: val/images test: test/images names: 0: fire 1: smoke这里 path 写相对路径相对的是你启动命令时所在的工作目录。我习惯固定从项目根目录启动训练所以 path 用 ./datasettrain 用 train/images换机器后只要目录结构不变就能直接跑。如果你用绝对路径换机器或换目录就得改 yaml反而容易出问题。有一种情况要特别提醒如果 zip 里自带 classes.txt先打开看一眼顺序。有些标注工具生成的 classes.txt 顺序和 yaml 里写的 names 是不一致的这时以标签文件里实际的 class_id 为准。我在 3.1 的脚本里没有做类别重映射如果原始标签顺序和你要用的不一致需要在切分时同步完成映射否则后面推理阶段类别名全是乱的。3.3 第一次训练的参数选择yolov8s、imgsz 与 batch 怎么配2963 张图属于小型数据集直接上 YOLOv8x 只会过拟合先跑通 yolov8s 就够了。第一次训练的目标是验证数据通路不是追精度。yolo detect train datadataset/data.yaml \ modelyolov8s.pt \ epochs100 imgsz640 batch16 \ device0 projectruns namefire_smoke_v1几个关键参数逐个说。modelyolov8s.pt 是从 COCO 预训练权重开始迁移fire 和 smoke 不在 COCO 的 80 类里迁移收益主要在底层边缘和纹理特征所以没必要从零训练。imgsz640 是速度和精度的平衡点如果数据里大量烟框小于 20×20 像素可以提到 960代价是显存和训练时间直线上升。batch16 在 yolov8s 模型上大约占用 8 到 10G 显存如果显卡只有 6G直接降到 8训练时间翻倍但不会影响收敛。epochs100 对于这个数据量足够但不要盲目跑满——我习惯盯着验证集 mAP 曲线如果 60 轮后不再上升直接中断改配置。训练结束后 runs/fire_smoke_v1/weights/ 下会有 best.pt 和 last.ptbest 是验证 mAP 最优权重last 是最后一轮权重日常部署选 best继续训练选 last。4. 从训练结果判断能不能用指标读法、置信度阈值与可视化训练跑完不代表结束真正决定模型能不能上线的是评测环节。这一章说清楚三件事训练日志里该盯哪几个指标、推理时置信度阈值怎么设、以及如何用叠图发现标注的系统性问题。这三步走完你对这份数据集好不好用才有发言权。4.1 results.csv 里哪些指标值得盯mAP50 与 mAP50-95 的区别训练结束后runs/fire_smoke_v1/ 目录下的 results.csv 记录了每一轮的 train/val 损失、mAP、precision、recall。不要只看总损失那是个黑匣子我一般只看四列val box_loss、mAP50、mAP50-95、recall。指标关注点火灾场景解读mAP50IoU 阈值 0.5 下的平均精度框大体到位即可适合快速验证mAP50-95多个 IoU 阈值的平均精度对定位精度要求高部署级参考val box_loss验证集定位损失持续下降说明框还在收敛recall召回率火灾漏报代价大当前优先指标mAP50 对框的位置容忍度更高——预测框稍微偏一点IoU 仍能过 0.5 被算作正样本mAP50-95 则对每个 IoU 阈值都算一遍定位稍有偏差就会拉低分数。如果 mAP50 不错但 mAP50-95 很低说明模型「知道目标在哪但框不准」常见原因是标注框本身边界模糊尤其烟这类目标。火灾场景我优先看 recall因为漏掉一处真实火情的代价远大于误报一次。results.csv 里的 recall 是验证集上的整体数值但更详细的要去看 PR 曲线——ultralytics 会在 val 阶段生成 P_curve.png 和 R_curve.png横轴是置信度阈值从 0 到 1 的变化过程这直接关系到下一个小节的阈值选择。4.2 推理阶段的 conf 阈值火情场景下宁可低一点训练好的权重直接跑推理默认参数不一定适合烟火检测。yolo detect predict modelruns/fire_smoke_v1/weights/best.pt \ sourcedataset/test/images conf0.20 iou0.45conf 是置信度阈值默认 0.25。火灾场景我会先压到 0.20 甚至 0.15把可疑目标尽量都检出来再做第一层过滤。压阈值之后误报会明显增加但换来的是召回率提升——在消防这类漏报代价极高的场景里这个取舍是合理的。iou 参数控制 NMS 阶段重叠框的抑制力度默认 0.45 对火焰这种大面积目标基本够用如果压阈值后同一团火出现一堆重叠框可以把 iou 提到 0.5。阈值不是拍脑袋定的应该从验证集 PR 曲线上找点。曲线左上角的拐点附近就是平衡点如果你明确知道部署场景误报可接受、漏报不可接受就往右下角移动接受更多误报换取更高召回。这一步调完后最好把验证集置信度记录成表格方便后面追踪。4.3 预测框与 GT 框叠图肉眼发现标注系统性偏移很多人训练完只看 mAP 就收工了这是最容易踩坑的地方。画叠图对比预测和真实标注能发现指标看不出的问题。import cv2 from ultralytics import YOLO # 加载训练好的 best 权重 model YOLO(runs/fire_smoke_v1/weights/best.pt) img cv2.imread(sample.jpg) results model.predict(img, conf0.2)[0] # 预测框用红色画 for box in results.boxes: x1, y1, x2, y2 map(int, box.xyxy[0]) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) cls_name model.names[int(box.cls[0])] cv2.putText(img, cls_name, (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) # 真实标签用绿色画文件与图像同名 label_path labels/sample.txt with open(label_path) as f: for line in f: cls_id, cx, cy, w, h map(float, line.split()) x1 int((cx - w / 2) * img.shape[1]) y1 int((cy - h / 2) * img.shape[0]) x2 int((cx w / 2) * img.shape[1]) y2 int((cy h / 2) * img.shape[0]) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(visual_check.jpg, img)逻辑很简单把预测框的像素坐标直接画图把标签里的归一化坐标乘回图像宽高再画图两类框叠在一起。先从 3 张图看起再扩展到 30 张。如果发现预测框总比 GT 框偏左上或偏右下是系统性的坐标偏移问题出在标注导出流程不是模型如果同一目标出现红框绿框两个不同大小的框说明标注标准不统一如果小目标只有绿框没有红框说明模型确实没学到小目标特征。这一步也是后续第 5 章避坑的目视依据建议把叠图脚本沉淀成工具每次训练完跑一批比只看指标安心得多。5. 避坑指南烟火检测数据集最容易翻车的五个点这一章写的是我拆烟火数据集时踩过的真坑。每一条都按「现象 → 原因 → 解决」来记录前四条和标签质量直接相关第五条是评测稳定性问题。建议在训练前对照检查一遍。5.1 现象loss 正常收敛但检测结果一片空白这是最诡异的翻车——训练日志漂亮loss 降得很顺mAP 也有数值但随便拿一张验证图跑推理一个框都出不来。原因通常有两个。第一是 class_id 与 names 顺序错位标签里 0 是 fire、1 是 smoke但 data.yaml 里 0 写成了 smoke模型学了一堆「错误的名字」推理时类别置信度全乱。第二是目标尺度问题火焰在 640 分辨率下只有十几个像素网络下采样后特征已经消失模型根本没东西可检。解决方法是先跑 2.2 的坐标校验脚本确认 class_id 范围合法再看目标尺度直方图统计所有 GT 框的像素面积分布如果中位数小于 400 像素把 imgsz 提到 960或者加 mosaic 增强而不是盲目加 epoch。5.2 现象烟的整体漏检率比火高一大截训练结果里 fire 的 AP 可能到 0.8 以上smoke 却只有 0.3这种差距是烟火数据的常态。原因在标注层面——烟的边界是模糊的半透明烟雾、清晨薄雾、白色墙体旁的淡烟标注框里一半是背景模型学到的是「一块白色区域」验证集里白色墙体不是烟于是疯狂漏检。这不是配置问题是标签与图像语义不一致。解决方法是把烟类标签统一规范为「视觉上可辨认的烟雾团」边界溢出超过 30% 的框直接重新标注在划分验证集时按场景分层确保白天、夜间、室内、室外都有样本。我一般会先在 100 张图上手工修正烟的标注规范再决定是重标全量还是只修离群框。5.3 现象夜间场景全部失效白天样本占绝对多数是火灾数据集的天然倾向。网络爬来的图和监控抓拍在白天自然光照下占大头导致模型在夜间画面上把路灯、车灯全当成火或者干脆漏检。这个问题的本质是光照分布单一模型学到的颜色先验在暗光条件下失效。解决方法是训练增强里把 HSV 的饱和度与亮度扰动调大ultralytics 里对应 hsv_h、hsv_s、hsv_v 三个参数默认值分别是 0.015、0.7、0.4夜间场景可以把 hsv_v 调到 0.6 以上。推理前对暗光图像做直方图均衡也有帮助但这些都只是缓解治本还是要补充夜间标注样本。如果这份数据集里夜间图确实很少最实用的方案是单独用小批量夜间图做一次微调而不是指望增强凭空变出夜间特征。5.4 现象mAP 很高部署后误报一堆mAP 高但实战不可用是标注框习惯差异在作祟。火焰标注里有人只框焰心有人把外焰全部包进去验证时 IoU 计算会偏向「好标的框」mAP 被拉高部署时模型对任意橙色区域都响应夕阳、车灯、反光标识全被误判成火。解决方法是量化 GT 框的宽高比与面积分布踢掉面积超过中位数十倍以上的极端框再准备一个负样本集——路灯、夕阳、车灯、火烧云这类图做专项验证看模型误报率。部署端把置信度阈值和 NMS 的 iou 一起调不要只压一个参数。这个负样本验证的习惯我在最后一章还会展开。5.5 现象验证集 mAP 波动剧烈像过拟合又不是过拟合训练到 30 轮 mAP 0.640 轮掉到 0.350 轮又回到 0.55——这种大幅波动别急着怪模型先检查验证集切分是否稳定。2963 张图切出约 300 张验证集如果随机切分后验证集全是室内场景而训练集以室外为主那每一轮的 mAP 根本不具备可比性。解决方法是回到 3.1 的切分脚本改成按场景做分层抽样先统计每个场景文件夹的图片数量按比例分配进 train/val/test保证每个子集都有室内、室外、白天、夜间。固定验证集索引后训练曲线才有参考价值。这件事我在早期项目里吃过亏——连续调了一周参数后来才发现是验证集分布每次都在变。6. 最值得养成的一个习惯标注一致性体检与增强验证这一章不讲花活讲一个救过我多次的工作习惯拿到任何标注数据集先跑一次标注一致性体检再谈训练和增强。上一章提到的误报问题九成能在体检阶段露出马脚。体检脚本可以直接把 2.2 的检查逻辑升级成统计报告用中位数而不是均值避免极端大框拉偏数据。import os import glob import statistics # 按类别统计 GT 框面积与宽高比输出离群样本 areas {0: [], 1: []} aspects {0: [], 1: []} for txt in glob.glob(labels/*.txt): with open(txt) as f: for line in f: cls_id, cx, cy, w, h map(float, line.split()) areas[int(cls_id)].append(w * h) aspects[int(cls_id)].append(w / h) for cls_id in (0, 1): med_area statistics.median(areas[cls_id]) med_asp statistics.median(aspects[cls_id]) # 打印中位数同时标出面积离群超过10倍的样本 outliers [p for a, p in zip(areas[cls_id], glob.glob(labels/*.txt)) if a med_area * 10 or a med_area * 0.1] print(f类别 {cls_id}: 面积中位数 {med_area:.4f}, 宽高比中位数 {med_asp:.2f}, 离群样本 {len(outliers)} 个) for p in outliers[:5]: print(f - {p})这段脚本的核心只有一个原则面积中位数的十倍和十分之一是标注离群点的实用阈值。面积落在中位数十倍以上的烟框九成是把背景整片框了进去十分之一以下的多半是漏标了目标主体。把这些离群样本打印出来逐个看一遍你会发现数据集的真实问题远比想象中多。训练增强也要讲方法。很多人一上来就把 mosaic、copy_paste、HSV 扰动全开结果模型提升根本没法归因。我的习惯是先跑一遍基础配置拿到基准 mAP然后每次只改一个增强参数改动前后对比同一验证集。对于这份烟火数据mosaic 和 copy_paste 对小目标提升明显但注意mosaic 会把四张图的标注拼在一起如果原始标注边界本身就模糊拼接后的错误会被放大所以增强顺序必须是先确认标签干净再开 mosaic最后加 HSV。以前我接过一个园区烟雾报警项目数据集 mAP 0.87一上线就疯狂误报查了两天才定位到是标注框不规范加负样本缺失双重叠加。从那以后我每次拿到标注数据集都强制先跑一遍体检脚本再谈训练最后再做一次负样本验证。这个习惯帮我挡掉了不少「看起来能用的假数据」。希望帮到你。本文还有配套的精品资源点击获取