【工业场景】用YOLOv8实现火灾识别
火灾识别任务是工业领域急需关注的重点安全事项，其应用场景和背景意义主要体现在以下几个方面：
- 应用场景：
- 工业场所：在工厂、仓库等工业场所中，火灾是造成重大财产损失和人员伤亡的主要原因之一。利用火灾识别技术可以及时发现火灾迹象，采取相应的应急措施，保障人员安全和设施完好。
- 公共场所：在商场、酒店、学校等公共场所，火灾往往会给大量人员带来生命安全的威胁。通过火灾识别技术，可以提前发现火灾隐患，减少人员伤亡。
- 住宅区域：在住宅区域，火灾也是一种常见的安全隐患。应用火灾识别技术可以帮助居民及时发现火灾风险，保障家庭安全。
- 背景意义：
- 生命安全：火灾是一种极具破坏性的灾害，能够迅速蔓延并造成重大人员伤亡。通过火灾识别技术，可以及早发现火灾风险，最大限度地减少人员伤亡。
- 财产保护：火灾不仅对生命造成威胁，也给财产带来重大损失。应用火灾识别技术可以提前发现火灾隐患，采取措施避免财产损失。
- 社会稳定：火灾的发生会给社会带来恐慌和混乱，影响社会的稳定和发展。利用火灾识别技术可以提高社会安全感，维护社会秩序。
本文以YOLOv8为基础，设计研究了基于YOLOv8的火灾识别任务，提取各种场景下的火灾自动检测，包含完整数据介绍、训练过程和测试结果全流程。
若需要完整数据集和源代码可以私信。
目录
🌷🌷1.数据集介绍
火灾检测数据集总共包含42877张样本数据，其中训练集38590张，验证集4287张，部分影像展示如下：
label为txt格式的yolo目标检测格式，示例txt文件内容为：
训练验证比例可以自行调整，这里不赘述。
👍👍2.火灾检测实现效果
YOLOv8识别火灾的预测效果如下：
识别精度为78.8%，以AP50来计算。
注意，此数据集不包含烟雾，只识别火灾，也就是有烟雾没明火的场景不算火灾。
🍎🍎3.YOLOv8识别火灾算法步骤
通过目标检测方法进行火灾识别的方法不限，本文以YOLOv8为例进行说明。
🍋3.1数据准备
火灾检测数据集总共包含42877张样本数据，其中训练集38590张，验证集4287张。
从混淆矩阵来看，正样本比例还比较高。
数据组织：
----fire_dataset
----images
----train
----val
----labels
----train
----valimages/train文件夹如下：
labels/train文件夹如下：
模型训练label部分采用的是YOLO格式的txt文件，所以如果自己的数据集是xml格式或者json格式需要进行转换哦，转换可移步这里。
具体txt格式内容如1.数据集介绍中所示。
🍋3.2模型选择
以YOLOv8n为例，模型选择代码如下：
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.yaml') # build a new model from YAML
model = YOLO('yolov8n.pt') # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights
其中yolov8n.yaml为./ultralytics/cfg/models/v8/yolov8n.yaml，可根据自己的数据进行模型调整，打开yolov8n.yaml显示内容如下：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 2 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs
s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs
m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs
l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
# YOLOv8.0n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
# YOLOv8.0n head
head:
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 3, C2f, [512]] # 12
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 3, C2f, [256]] # 15 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 12], 1, Concat, [1]] # cat head P4
- [-1, 3, C2f, [512]] # 18 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 9], 1, Concat, [1]] # cat head P5
- [-1, 3, C2f, [1024]] # 21 (P5/32-large)
- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)主要需要修改的地方为nc，也就是num_class，此处数据集类别为2类，所以nc=2。
如果其他的模型参数不变的话，就默认保持原版yolov8，需要改造模型结构的大佬请绕行。
🍋3.3加载预训练模型
加载预训练模型yolov8n.pt，可以在第一次运行时自动下载，如果受到下载速度限制，也可以自行下载好（下载链接），放在对应目录下即可。
🍋3.4输入数据组织
yolov8还是以yolo格式的数据为例，./ultralytics/cfg/datasets/data.yaml的内容示例如下：
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
# Classes (80 COCO classes)
names:
0: person
1: bicycle
2: car
# ...
77: teddy bear
78: hair drier
79: toothbrush这个是官方的标准coco数据集，需要换成自己的数据集格式，此处建议根据自己的数据集设置新建一个fall_detect_coco128.yaml文件，放在./ultralytics/cfg/datasets/目录下，最后数据集设置就可以直接用自己的fire_detect_coco128.yaml文件了。以我的fire_detect_coco128.yaml文件为例：
path: /home/datasets/helmet # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: images/test # test images (optional)
names:
0: fire🍭🍭4.目标检测训练代码
准备好数据和模型之后，就可以开始训练了，train.py的内容显示为：
from ultralytics import YOLO
# Load a model
#model = YOLO('yolov8n.yaml') # build a new model from YAML
#model = YOLO('yolov8n.pt') # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights
# Train the model
results = model.train(data='fire_detect_coco128.yaml', epochs=100, imgsz=640)通常我会选择在基础YOLO模型上进行transfer微调，不会从头开始训练，如果想自己从头开始，可以自行选择第一种方式。这里建议选择第三种。
⭐4.1训练过程
开始训练之后就会开始打印log文件了。如下图所示：
训练完成后会在/run/detect/目录下生成train或者train+数字的文件夹，存放你的训练结果。
⭐4.2训练结果
训练完成后的结果如下：
其中weights文件夹内会包含2个模型，一个best.pth，一个last.pth。
至此就可以使用best.pth进行推理检测是否发生火灾了。
训练精度展示：
🏆🏆5.目标检测推理代码
批量推理python代码如下：
from ultralytics import YOLO
from PIL import Image
import cv2
import os
model = YOLO('/yolov8/runs/detect/train4/weights/best.pt') # load a custom model
path = '/home/dataset/fire/images/test/' #test_image_path_dir
img_list = os.listdir(path)
for img_path in img_list:
### =============detect=====================
im1 = Image.open(os.path.join(path,img_path))
results = model.predict(source=im1, save=True,save_txt=True)若需要完整数据集和源代码可以私信。
整理不易，欢迎一键三连！！！
送你们一条美丽的--分割线--
🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸⛵⛵⭐⭐🍎🍎👍👍🌷🌷
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
36
0- 0
已为社区贡献14条内容
所有评论(0)