yolo目標檢測技術之yolov11項目實戰（三）

---

一、 基于 YOLO11 的火焰與煙霧檢測系統（實戰+代碼）

使用 YOLO11 實現實時火焰與煙霧檢測，支持圖像/視頻/攝像頭/RTSP 流輸入，適合部署與演示。

---

項目目標

功能	支持內容
模型	YOLO11（支持檢測/分割）
輸入	圖像、視頻、攝像頭、RTSP
輸出	火焰/煙霧檢測框、置信度
部署方式	Python + PyTorch + OpenCV
可視化界面	可擴展（如 Streamlit/Gradio）

---

環境搭建

創建虛擬環境

conda create -n yolov11_env python=3.12
conda activate yolov11_env

安裝依賴

# CUDA 12.1（根據你顯卡驅動選擇）
pip install torch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0 --index-url https://download.pytorch.org/whl/cu121# 安裝 ultralytics（YOLO11）
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

---

1.1 數據集準備

1. 下載地址

• GitHub：DFS-FIRE-SMOKE-Dataset
• 百度云：鏈接（提取碼：pnxx）

2. 數據格式轉換（XML → TXT）

YOLO 格式要求：class_id x_center y_center width height（歸一化）

import os
import xml.etree.ElementTree as ETclasses = ['_background_', 'fire', 'other', 'smoke']def parse_xml(xml_path, txt_path):for xml_file in os.listdir(xml_path):file_name = xml_file.split('.')[0]tree = ET.parse(os.path.join(xml_path, xml_file))root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)with open(os.path.join(txt_path, file_name + '.txt'), 'w') as f:for obj in root.findall('object'):cls = obj.find('name').textcls_id = classes.index(cls)bndbox = obj.find('bndbox')xmin = float(bndbox.find('xmin').text)ymin = float(bndbox.find('ymin').text)xmax = float(bndbox.find('xmax').text)ymax = float(bndbox.find('ymax').text)x_center = ((xmin + xmax) / 2) / wy_center = ((ymin + ymax) / 2) / hwidth = (xmax - xmin) / wheight = (ymax - ymin) / hf.write(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")# 使用示例
if __name__ == '__main__':parse_xml('datasets/fire/Annotations', 'datasets/fire/labels')

---

1.2 模型訓練

方法1：命令行訓練

yolo detect train data=ultralytics/cfg/datasets/fire.yaml model=yolo11s.pt epochs=10 imgsz=640 batch=8 device=0 project=runs

方法2：Python 腳本訓練（推薦）

from ultralytics import YOLOif __name__ == "__main__":model = YOLO("yolo11s.pt")  # 加載預訓練模型model.train(data="ultralytics/cfg/datasets/fire.yaml",epochs=10,batch=8,imgsz=640,device='0',project='runs')

---

1.3 模型推理

方法1：命令行推理

yolo predict model=runs/train/weights/best.pt source=datasets/fire/test.jpg save=True

方法2：Python 腳本推理（推薦）

from ultralytics import YOLOmodel = YOLO("runs/train/weights/best.pt")
results = model.predict(source="datasets/fire/test.jpg",save=True,conf=0.5,iou=0.6
)

---

1.4 常用參數對照表

參數名	含義說明	示例值
data	數據集配置文件路徑	fire.yaml
model	模型權重路徑或結構路徑	yolo11s.pt
epochs	訓練輪數	10
batch	每批次圖像數量	8
imgsz	輸入圖像尺寸	640 / 1280
conf	置信度閾值（推理用）	0.5
iou	NMS 閾值（推理用）	0.6
device	訓練/推理設備	0 / cpu
save	是否保存推理結果	True

---

1.5 性能驗證

yolo val model=runs/train/weights/best.pt data=ultralytics/cfg/datasets/fire.yaml conf=0.5 iou=0.6

類別	mAP50	mAP50-95
fire	0.617	0.408
smoke	0.534	0.337
other	0.402	0.257

---

1.6 模型優化建議

優化方式	操作建議
提高輸入分辨率	imgsz=1280
數據增強	mixup=0.36, copy_paste=0.33
使用更大模型	yolo11m.pt / yolo11l.pt
調整閾值	conf=0.3~0.6, iou=0.5~0.7
加入注意力機制	可嘗試 C2PSA 模塊

---

1.7 項目結構建議

ultralytics/
├── datasets/
│   └── fire/
│       ├── images/train
│       ├── images/val
│       ├── labels/train
│       └── labels/val
├── runs/
│   └── train/
│       └── weights/
│           ├── best.pt
│           └── last.pt
└── my_train.py / my_detect.py

---

結語

本項目適合作為 YOLO11 入門實戰項目，覆蓋從數據準備、訓練、推理到部署的完整流程。后續可擴展為：

• Web 檢測界面（Gradio/Streamlit）
• RTSP 實時流檢測
• 邊緣設備部署（Jetson Nano）

---

如需完整源碼或部署腳本，歡迎留言或私信交流！

---