基于 YOLOv8 的森林火灾检测系统（全套源码+数据集）

基于 YOLOv8 的森林火灾和烟雾智能检测系统，提供图形化界面，支持图片、视频和实时摄像头检测。

📋 项目简介

本项目是一个基于深度学习的森林火灾检测系统，使用 YOLOv8 目标检测模型，能够准确识别图像和视频中的火灾和烟雾。系统提供友好的图形界面，支持用户登录注册、历史记录查询、训练指标可视化等功能。

✨ 功能特性

🔍 检测功能

• 图片检测：支持 JPG、PNG、BMP 等常见图片格式
• 视频检测：支持 MP4、AVI、MOV、MKV 等视频格式，可保存检测结果
• 实时检测：支持摄像头实时检测，实时显示检测结果

📊 系统功能

• 用户管理：用户注册、登录功能
• 历史记录：自动保存检测历史，支持查询和删除
• 模型管理：支持切换不同的训练模型
• 训练可视化：可视化训练指标和损失曲线
• 结果保存：检测结果可保存为图片或视频

🎨 界面特色

• 现代化的绿色主题界面
• 直观的操作流程
• 实时显示检测统计信息
• 美观的结果展示

🛠️ 技术栈

• 深度学习框架：PyTorch, Ultralytics YOLOv8
• 图形界面：PyQt6
• 图像处理：OpenCV, NumPy
• 数据处理：Pandas, Matplotlib
• 其他：PyYAML, Pillow

📁 项目结构

c102/
├── main.py                 # 主程序入口（图形界面）
├── detector.py              # 检测功能模块
├── database.py              # 数据库管理模块
├── train.py                 # 模型训练脚本
├── visualize_training.py   # 训练结果可视化脚本
├── requirements.txt        # 依赖包列表
├── data/                   # 数据存储目录
│   ├── users.json          # 用户数据
│   └── history.json        # 检测历史记录
├── datasets/               # 数据集目录
│   ├── fire_smoke.yaml    # 数据集配置文件
│   ├── classes.txt         # 类别名称文件
│   ├── best.pt            # 预训练模型权重
│   └── datasets/           # 训练数据集
│       ├── train/         # 训练集
│       ├── val/           # 验证集
│       └── test/          # 测试集
└── runs/                   # 训练结果目录
    └── train/
        └── fire_detection_*/  # 训练输出
            ├── weights/      # 模型权重
            ├── results.csv   # 训练指标
            └── *.png        # 可视化图表

🚀 安装说明

环境要求

• Python 3.8+
• CUDA（可选，用于GPU加速）
• Windows/Linux/macOS

安装步骤

1. 克隆项目

git clone <repository-url>
cd c102

2. 创建虚拟环境（推荐）

python -m venv venv
# Windows
venv\Scripts\activate
# Linux/macOS
source venv/bin/activate

3. 安装依赖

pip install -r requirements.txt

4. **下载预训练模型（可选）**如果使用默认模型路径，确保以下路径存在：

runs/train/fire_detection_20260201_191621/weights/best.pt

或者使用 datasets/best.pt 作为模型文件。

📖 使用方法

启动程序

python main.py

使用流程

1. 登录/注册
   • 首次使用需要注册账号
   • 密码长度至少6位
   • 注册成功后使用账号登录

2. 加载模型
   • 系统会自动加载默认模型
   • 可在"模型选择"页面切换其他模型

3. 图片检测
   • 点击"图片检测"页面
   • 选择图片文件
   • 点击"开始检测"
   • 查看检测结果，可保存结果图片

4. 视频检测
   • 点击"视频检测"页面
   • 选择视频文件
   • 点击"开始检测"
   • 选择保存路径
   • 等待处理完成
5. 摄像头检测
   • 点击"摄像头检测"页面
   • 点击"开启摄像头"
   • 实时查看检测结果
   • 点击"停止检测"结束
6. 查看历史记录
   • 点击"历史记录"页面
   • 查看所有检测历史
   • 可删除不需要的记录

7. 训练指标可视化
   • 点击"训练指标可视化"页面
   • 输入训练结果路径
   • 点击"加载指标"查看训练曲线

🎓 模型训练

准备数据集

1. 按照 YOLO 格式组织数据集：

datasets/datasets/
├── train/
│   ├── images/
│   └── labels/
├── val/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

2. 配置 datasets/fire_smoke.yaml：

path: datasets/datasets
train: train/images
val: val/images
nc: 2
names:
  '0': Fire
  '1': Smoke

开始训练

python train.py

训练参数配置

在 train.py 的 main() 函数中修改训练参数：

trainer.train(
    epochs=100,        # 训练轮数
    imgsz=640,         # 图像尺寸
    batch=16,          # 批次大小（根据GPU显存调整）
    device='0'         # '0' for GPU, 'cpu' for CPU
)

训练结果

训练完成后，结果保存在 runs/train/fire_detection_<timestamp>/ 目录下：

• weights/best.pt - 最佳模型权重
• weights/last.pt - 最后一轮模型权重
• results.csv - 训练指标CSV文件
• *.png - 各种可视化图表

可视化训练结果

python visualize_training.py

或修改脚本中的CSV路径后运行。

📊 检测类别

• Fire (火灾)：检测图像中的火焰
• Smoke (烟雾)：检测图像中的烟雾

⚙️ 配置说明

模型配置

• 默认模型路径：runs/train/fire_detection_20260201_191621/weights/best.pt
• 可在"模型选择"页面切换其他 .pt 模型文件

检测参数

• 置信度阈值：默认 0.25（可在代码中修改）
• 输入图像尺寸：640x640

📝 注意事项

1. GPU支持：如果有NVIDIA GPU，建议安装CUDA版本的PyTorch以加速训练和检测
2. 模型文件：确保模型文件路径正确，否则无法进行检测
3. 摄像头权限：使用摄像头检测时，确保系统已授予摄像头访问权限
4. 数据集路径：训练时确保数据集路径配置正确
5. 内存要求：视频检测需要足够的系统内存，大视频文件建议分批处理

本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。

作者原创项目地址：michael-jay.pages.dev/projects.html