v5模型+Pyqt5界面+训练代码+数据集)

视频演示

1. 前言

大家好，欢迎来到coding茶水间！今天想和大家聊一个既关乎安全又充满技术巧思的话题——基于YOLO算法的火焰烟雾检测系统。在进入系统细节前，不妨先看看这个领域的“现状”：

火灾与烟雾是威胁公共安全、工业生产和日常环境的隐形杀手。从森林火险的早期预警，到工厂车间的异常烟雾监测，再到家庭厨房的燃气泄漏防范，对“火焰+烟雾”的实时、精准检测需求正变得前所未有的迫切。但传统检测手段却常陷入困境：人工巡检依赖经验、效率低且易漏检；单一传感器（如烟雾报警器）易受环境干扰（如粉尘、水蒸气），误报率居高不下；早期基于传统图像处理的检测方法，面对复杂场景（如光线变化、遮挡物）时，识别精度和速度难以兼顾。

直到YOLO（You Only Look Once）这类单阶段目标检测算法的出现，才为火焰烟雾检测打开了新思路——“实时性+高精度+多目标识别” 的三重优势，让系统能在毫秒级内从图像/视频中定位火焰、烟雾的位置，区分不同类别，甚至结合上下文判断风险等级。而更值得关注的是，当前AI检测系统早已不再是“黑箱工具”：它们正朝着“功能集成化、操作人性化、场景全覆盖” 进化——从多源输入（图片、视频、摄像头、文件夹批量处理）到参数灵活调节（置信度、交并比动态优化），从结果可视化（类别统计、表格详情、动画展示）到交互增强（语音播报、数据导出），再到用户管理（登录、个人中心）和全流程支持（脚本检测、模型训练），一套成熟的系统正在成为“安全监测+效率提升”的综合解决方案。

今天要介绍的这套系统，正是这一趋势的缩影。它不仅用YOLO算法实现了火焰烟雾的精准识别，更通过模块化设计将“检测-分析-反馈-管理”串联成闭环：主界面清晰划分功能区，支持从单张图片到实时摄像头的全场景检测；参数调节让结果可控，语音播报和动画展示降低使用门槛；数据统计与导出助力风险复盘，登录系统和训练脚本则为长期使用和模型迭代铺路。接下来，就让我们一起走进这套系统的细节，看看它是如何用技术让“安全监测”变得更聪明、更贴心。

2. 项目演示

2.1 用户登录界面

登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。

2.2 新用户注册

注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。

2.3 主界面布局

主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。

2.4 个人信息管理

用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。

2.5 多模态检测展示

系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并且带有语音播报提醒，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。

2.6 检测结果保存

可以将检测后的图片、视频进行保存，生成新的图片和视频，新生成的图片和视频中会带有检测结果的标注信息，并且还可以将所有检测结果的数据信息保存到excel中进行，方便查看检测结果。

2.7 多模型切换

系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。

3.模型训练核心代码

本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。

# -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。

它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。

要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO

def main():
    """
    主训练函数。
    
    该函数负责执行YOLO模型的训练流程，包括：
    1. 配置预训练模型。
    2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
    3. 加载预训练模型。
    4. 使用指定参数开始训练。
    """
    # --- 1. 配置模型和路径 ---
    
    # 要训练的模型列表
    models_to_train = [
        {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
        {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
        {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
        {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
    ]
    
    # 获取当前工作目录的绝对路径，以避免相对路径带来的问题
    current_dir = os.path.abspath(os.getcwd())
    
    # --- 2. 动态配置数据集YAML文件 ---
    
    # 构建数据集yaml文件的绝对路径
    data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
    
    # 读取原始yaml文件内容
    with open(data_yaml_path, 'r', encoding='utf-8') as f:
        data_config = yaml.safe_load(f)
    
    # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
    # 这是为了确保ultralytics库能正确定位到训练、验证和测试集
    data_config['path'] = os.path.join(current_dir, 'train_data')
    
    # 将修改后的配置写回yaml文件
    with open(data_yaml_path, 'w', encoding='utf-8') as f:
        yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)
    
    # --- 3. 循环训练每个模型 ---
    
    for model_info in models_to_train:
        model_name = model_info['name']
        train_name = model_info['train_name']
        
        print(f"\n{'='*60}")
        print(f"开始训练模型: {model_name}")
        print(f"训练名称: {train_name}")
        print(f"{'='*60}")
        
        # 构建预训练模型的完整路径
        pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
        if not os.path.exists(pretrained_model_path):
            print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
            print(f"跳过模型 {model_name} 的训练")
            continue
        
        try:
            # 加载指定的预训练模型
            model = YOLO(pretrained_model_path)
            
            # --- 4. 开始训练 ---
            
            print(f"开始训练 {model_name}...")
            # 调用train方法开始训练
            model.train(
                data=data_yaml_path,  # 数据集配置文件
                epochs=100,           # 训练轮次
                imgsz=640,            # 输入图像尺寸
                batch=8,             # 每批次的图像数量
                name=train_name,      # 模型名称
            )
            
            print(f"{model_name} 训练完成！")
            
        except Exception as e:
            print(f"训练 {model_name} 时出现错误: {str(e)}")
            print(f"跳过模型 {model_name}，继续训练下一个模型")
            continue
    
    print(f"\n{'='*60}")
    print("所有模型训练完成！")
    print(f"{'='*60}")

if __name__ == "__main__":
    # 当该脚本被直接执行时，调用main函数
    main()

4. 技术栈

语言：Python 3.10
前端界面：PyQt5
数据库：SQLite（存储用户信息）
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12

5. YOLO模型对比与识别效果解析

5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比

基于Ultralytics官方COCO数据集训练结果：

模型	尺寸(像素)	mAPval 50-95	速度(CPU ONNX/毫秒)	参数(M)	FLOPs(B)
YOLO12n	640	40.6	-	2.6	6.5
YOLO11n	640	39.5	56.1 ± 0.8	2.6	6.5
YOLOv8n	640	37.3	80.4	3.2	8.7
YOLOv5nu	640	34.3	73.6	2.6	7.7

关键结论：

精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。

综合推荐：

追求高精度：优先选YOLO12n（精度与效率兼顾）；
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。

5.2 数据集分析

数据集中训练集和验证集一共1000张图片，数据集目标类别两种：正常肾脏，肾结石，数据集配置代码如下：

train: ../train/images
val: ../valid/images
test: ../test/images
path: D:\project\python\yolo_Fruit_Condition\train_data

nc: 2
names: ['Fire', 'Smoke']

上面的图片就是部分样本集训练中经过数据增强后的效果标注。

5.3 训练结果

混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。

F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。

当置信度为0.320时，所有类别的综合F1值达到了0.76（蓝色曲线）。

mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。

图中可以看到综合mAP@0.5达到了0.779（77.9%），准确率非常高。

6. 源码获取方式

源码获取方式：https://www.bilibili.com/video/BV1pfBKBDEvh

posted @ 2026-01-14 17:37 Coding茶水间阅读(4) 评论(0) 收藏举报

刷新页面返回顶部

codingtea

基于深度学习的火焰烟雾检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

视频演示

1. 前言