简介本资源面向计算机视觉初学者与目标检测工程实践者提供一套可直接复现的YOLOv7火焰和烟雾检测方案解决从数据准备到模型推理的完整链路问题。压缩包共188个文件约659.06MB包含6个pt权重文件、31个Python脚本、38个yaml配置、14个ipynb实验笔记以及jpg、png图像与xml、txt双格式标签覆盖训练、推理、导出与对比实验等环节。资源内置1000张已标注的火焰和烟雾数据集类别为fire与smoke标签同时提供xml和txt两种格式便于适配不同检测框架。代码基于PyTorch框架使用Python编写并附带Dockerfile、shell脚本与TensorRT、ONNXRuntime等部署示例方便读者快速验证模型效果并迁移到实际场景。目前已有743人学习下载适合希望掌握火焰烟雾检测全流程、复用预训练权重与标注数据的中级开发者参考。1. 火焰和烟雾检测为什么总在夜间和远距离翻车厂区消防通道的摄像头白天看着挺灵一到夜里或者起雾火焰和烟雾检测模型就开始集体装死。这不是模型不行是训练数据里压根没见过这些场景。YOLOv7 火焰和烟雾检测这套方案核心就是拿一份 1000 张标注好的数据集配一份训练好的权重让你跳过从零标数据、从零调参的坑直接跑通一个能用的检测器。这套东西适合谁做智慧消防、园区安防、工地安全监控的工程师手头有摄像头但缺算法也适合刚接触目标检测、想拿一个完整项目练手的人。它解决的不是“从零发明算法”而是“用现成的权重和数据集快速验证火焰烟雾检测在你的场景里到底能不能用”。权重和数据集是起点不是终点——你得知道怎么微调、怎么评估、怎么部署否则换个场景照样翻车。2. YOLOv7 做火焰烟雾检测为什么选它而不是 YOLOv5 或 v82.1 火焰和烟雾检测对模型的三点特殊要求火焰和烟雾跟 COCO 里那些猫猫狗狗完全不是一回事。第一火焰和烟雾没有固定形状边缘模糊同一个火源在不同距离、不同光照下像素分布差异巨大。第二烟雾是半透明、低对比度的目标早期烟雾在画面里可能只占几十个像素模型很容易当成背景。第三火焰和烟雾经常同时出现但标注时又得分开标模型要能区分“这是火”和“这是烟”而不是笼统地标成“着火”。这三点决定了模型必须对小目标敏感、对低对比度目标有足够感受野、并且能在同一张图里区分两个高度相关的类别。YOLOv7 的 ELAN 结构和辅助训练头在特征复用和小目标检测上比 YOLOv5 更激进而相比 YOLOv8 的 anchor-free 设计YOLOv7 的 anchor-based 机制在火焰这种尺度变化大的目标上反而更稳——前提是 anchor 尺寸得重新聚类。2.2 1000 张标注数据集的构成与标注格式1000 张图听起来不多但火焰烟雾检测这个领域公开数据集本来就少自己标 1000 张高质量图成本不低。常见做法是火焰和烟雾各占一部分正样本里既有明火也有阴燃既有白天也有夜间既有近景也有远景。标注格式一般是 YOLO 的 txt每行class_id x_center y_center width height坐标归一化到 0-1。拿到数据集先别急着训练先做三件事统计每个类别的框数量、统计框的宽高分布、看有没有漏标和错标。漏标比错标更致命因为模型会把漏标的目标学成背景。用下面这段脚本快速过一遍import os import glob from collections import Counter # 数据集标注目录假设结构为 dataset/labels/train/*.txt label_dir dataset/labels/train class_names [fire, smoke] # 类别名按你的 data.yaml 顺序 class_counter Counter() box_sizes [] for txt_path in glob.glob(os.path.join(label_dir, *.txt)): with open(txt_path, r) as f: for line in f.readlines(): parts line.strip().split() if len(parts) ! 5: print(f格式异常: {txt_path} - {line.strip()}) continue cls_id int(parts[0]) w, h float(parts[3]), float(parts[4]) class_counter[class_names[cls_id]] 1 box_sizes.append((w, h)) print(各类别框数量:, dict(class_counter)) # 统计小目标占比宽或高小于 0.05 的框 small sum(1 for w, h in box_sizes if w 0.05 or h 0.05) print(f小目标占比: {small / len(box_sizes):.2%})这段脚本干的事很简单遍历所有标注文件统计每个类别的框数顺便看小目标比例。如果 smoke 的框数远少于 fire或者小目标占比超过 40%那训练时就得针对性调 anchor 和损失权重。参数上class_names必须和data.yaml里的names顺序一致否则统计结果全错。2.3 权重文件怎么用从预训练权重到火焰烟雾专用权重标题里说的“训练好的权重”通常是一个.pt文件比如best.pt。它是在这 1000 张图上训练收敛后的结果可以直接拿来做推理。但要注意这个权重只对和训练集分布接近的场景有效。如果你的摄像头角度、光照、烟雾浓度和数据集差很远直接推理的 mAP 可能掉 20 个点以上。常见做法是先用这个权重做推理看效果如果不够就在它的基础上用自己的数据微调。微调时学习率要调小一般设成初始训练的 1/10 到 1/5冻结 backbone 的前几层只训 neck 和 head。下面是一个推理脚本加载权重跑单张图import torch from PIL import Image import numpy as np # 加载 YOLOv7 模型weights 指向训练好的权重 # 这里假设你用的是官方 YOLOv7 仓库的模型定义 model torch.hub.load(WongKinYiu/yolov7, custom, pathbest.pt, sourcelocal) model.conf 0.25 # 置信度阈值烟雾建议调低到 0.15-0.2 model.iou 0.45 # NMS IoU 阈值 img Image.open(test_fire.jpg) results model(img) results.print() # 打印检测到的类别和框 results.save(save_dirruns/detect) # 保存可视化结果conf和iou是两个必调参数。火焰通常置信度较高0.25 够用烟雾因为对比度低模型输出置信度普遍偏低调到 0.15 能召回更多但误报也会增加。iou控制 NMS 合并框的力度火焰重叠多的时候可以降到 0.4避免把两个火源合并成一个。3. 用这 1000 张标注数据把 YOLOv7 训起来命令、参数与评估3.1 数据配置文件 data.yaml 的四个必填字段YOLOv7 训练不直接读图片文件夹而是通过一个data.yaml告诉它去哪找图、去哪找标签、有几个类别。这个文件写错训练直接报错或者学出乱七八糟的结果。四个字段必须写对train: /data/fire_smoke/images/train val: /data/fire_smoke/images/val nc: 2 names: [fire, smoke]train和val是图片目录的绝对路径或相对路径注意是图片目录不是标签目录。YOLOv7 会自动把images替换成labels去找对应的 txt。nc是类别数火焰烟雾就是 2。names的顺序必须和标注时的class_id对应0 对应 fire1 对应 smoke写反了模型会把火认成烟。提示如果训练时报No labels found先检查图片文件名和标签文件名是否一一对应比如001.jpg对应001.txt差一个字符都找不到。3.2 训练命令逐参数拆解batch size、img size、epochs 怎么定YOLOv7 的训练入口是train.py一条典型命令长这样python train.py \ --weights yolov7.pt \ --cfg cfg/training/yolov7.yaml \ --data data/fire_smoke.yaml \ --hyp data/hyp.scratch.p5.yaml \ --epochs 150 \ --batch-size 16 \ --img-size 640 640 \ --device 0 \ --workers 8 \ --name fire_smoke_v7--weights yolov7.pt是 COCO 预训练权重用它做初始化比从零训收敛快得多。--batch-size 16取决于显存8G 显存跑 640 尺寸大概能到 8-1212G 能到 16。--img-size 640 640是输入分辨率火焰烟雾检测里小目标多可以尝试 768 甚至 896但显存和速度会明显下降。--epochs 150对 1000 张图来说够了通常 100-200 之间看验证集 mAP 什么时候不再涨。--hyp指定超参文件火焰烟雾建议把fl_gamma调低因为类别不平衡不严重focal loss 太强反而伤召回。训练过程中重点看三个指标box_loss、obj_loss、mAP0.5。box_loss下降说明框回归在收敛obj_loss下降说明模型越来越能区分前景背景。如果obj_loss震荡不降多半是学习率太大或者 batch size 太小。3.3 训练完怎么评估mAP、召回率和误报的三角关系训练完会在runs/train/fire_smoke_v7下生成results.csv和weights/best.pt。别只看 mAP0.5火焰烟雾检测里召回率比精确率更重要——漏掉一个火源比多报几次烟雾代价大得多。用test.py跑验证集python test.py \ --weights runs/train/fire_smoke_v7/weights/best.pt \ --data data/fire_smoke.yaml \ --img-size 640 \ --batch-size 16 \ --task val \ --name fire_smoke_eval输出里看P精确率、R召回率、mAP0.5、mAP0.5:0.95。如果R低于 0.7说明漏检多优先调低推理时的conf阈值或者检查训练集里小目标标注是否充分。如果P低得离谱误报满天飞那可能是背景图太少模型把类似火焰颜色的物体都当成了火。这时候往训练集里加负样本比如夕阳、橙色灯光、红色衣服比调参管用。4. 火焰烟雾检测部署避坑从权重文件到实际摄像头4.1 坑一权重在验证集上 mAP 很高换摄像头就崩现象best.pt在验证集上 mAP0.5 有 0.85接到实际摄像头画面火焰检测框乱飞烟雾基本检不出。原因验证集和训练集同分布但实际摄像头角度、白平衡、压缩噪声和数据集不一样。模型学到的是数据集里的火焰纹理不是火焰的本质特征。解决拿实际摄像头画面截 200-300 帧人工标一部分混进训练集重新微调。微调时把--weights指向best.pt学习率降到 0.001训 30-50 epoch。别指望一次微调就完美通常要迭代两三轮。4.2 坑二烟雾置信度普遍偏低调低阈值后误报爆炸现象烟雾检测框的置信度经常在 0.1-0.3 之间调到 0.15 能检出烟但画面里的云、雾、白色墙面全被标成 smoke。原因烟雾本身低对比度、半透明模型对烟雾的特征响应弱置信度天然低。调低阈值等于把决策边界往外推背景里的类烟雾区域就被拉进来了。解决不要只靠置信度阈值。加一个后处理规则烟雾框的面积必须大于某个像素值比如 32x32且连续 3 帧以上出现在同一位置才报警。另外训练时给烟雾类别更高的损失权重让模型对烟雾更敏感而不是靠推理时降阈值。4.3 坑三训练时显存够推理时反而 OOM现象训练 batch size 16 跑得好好的部署时用 TensorRT 或者 ONNX 推理显存反而爆了。原因训练时 PyTorch 会做梯度检查点和显存复用推理时如果没限制输入尺寸或者 batch 太大中间激活值可能比训练还占显存。尤其是把--img-size从 640 改成 1280 做高分辨率推理时。解决推理时固定输入尺寸batch 设为 1用torch.no_grad()包住前向。如果还 OOM用 ONNX Runtime 或者 TensorRT 做半精度量化显存能降一半左右。别在推理时动态改输入尺寸YOLOv7 对动态 shape 支持一般容易出玄学问题。4.4 坑四标注文件里类别 ID 从 1 开始训练全错现象训练 loss 正常下降但推理时所有框都标成 firesmoke 一个都检不出。原因标注时用了 LabelImg 或者 CVAT类别 ID 从 1 开始1fire2smoke但data.yaml里names是从 0 开始的列表。YOLOv7 读标注时把 1 当成 smoke2 当成越界类别直接忽略结果 fire 学成了 smokesmoke 没学到。解决统一用 0 起始的类别 ID。写个脚本批量检查所有 txt 文件里的class_id最大值如果大于nc-1说明有越界。改标注文件比改代码靠谱因为推理时的类别映射也是从 0 开始的。注意LabelImg 默认从 0 开始但 CVAT 导出 YOLO 格式时可能从 1 开始换工具时一定要检查。5. 把火焰烟雾检测推到更高精度anchor 重聚类与测试时增强5.1 用 k-means 重新聚类 anchor 尺寸YOLOv7 默认的 anchor 是在 COCO 上聚类的火焰和烟雾的框分布跟 COCO 差很远。拿你的 1000 张标注数据重新跑一遍 k-means能得到更贴合火焰烟雾的 anchor。脚本如下import numpy as np from sklearn.cluster import KMeans # 读取所有标注框的宽高归一化值 boxes [] label_dir dataset/labels/train for txt in glob.glob(os.path.join(label_dir, *.txt)): with open(txt) as f: for line in f: parts line.strip().split() if len(parts) 5: boxes.append([float(parts[3]), float(parts[4])]) boxes np.array(boxes) # YOLOv7 有 3 个检测头每个头 3 个 anchor共 9 个 kmeans KMeans(n_clusters9, random_state42).fit(boxes) anchors kmeans.cluster_centers_ # 按面积排序小 anchor 给浅层特征图 anchors anchors[np.argsort(anchors[:, 0] * anchors[:, 1])] print(重聚类 anchor宽 高:) for a in anchors: print(f {a[0]:.4f} {a[1]:.4f})跑完把输出的 9 组宽高替换yolov7.yaml里的anchors字段。注意单位是归一化值不是像素。替换后重新训练小目标召回通常能涨 3-5 个点。如果数据量少于 500 张k-means 结果不稳定建议还是用默认 anchor。5.2 测试时增强TTA在火焰检测上的收益与代价TTA 的做法是推理时对同一张图做翻转、缩放、色彩抖动把多次预测结果融合。火焰检测里 TTA 对召回率有提升尤其是小火焰。YOLOv7 的test.py支持--augment参数python test.py \ --weights best.pt \ --data data/fire_smoke.yaml \ --img-size 640 \ --augment \ --name fire_smoke_tta开了 TTA 后 mAP0.5 通常能涨 1-3 个点但推理速度会慢 3-4 倍。如果部署在边缘设备上TTA 基本不用考虑实时性扛不住。如果是在服务器上做离线分析TTA 值得开。我一般会在验证阶段开 TTA 看上限部署时关掉用普通推理加后处理规则来补召回。5.3 一个习惯每次改完参数先跑 10 张图看可视化调参最怕只看数字不看图。mAP 涨了 0.5 个点但可视化一看模型把夕阳全标成了火这种涨点没有意义。我自己的习惯是每次改完 anchor、学习率、损失权重先跑test.py生成 10 张验证集的可视化结果肉眼过一遍。重点看三类图小火焰、浓烟、以及容易混淆的负样本夕阳、灯光、白云。如果这三类里有两类出问题数字再好看也不部署。这套 YOLOv7 火焰烟雾检测方案权重和数据集能帮你省掉最耗时的冷启动阶段但真正决定能不能用的是你对场景的理解和对误报的容忍度。别指望一个best.pt打天下微调、后处理、负样本挖掘一个都省不了。希望帮到你。本文还有配套的精品资源点击获取
