数据集使用的是开源图片，共 6k 张火灾图片，分别标注出浓烟和火两类。
火
浓烟
项目采用YOLO训练，我已经把数据转成YOLO格式，并分好了训练集和验证集，见dataset目录。
训练过程参考YOLOv7官网文档即可。
修改data/coco.yaml文件，配置好训练数据的路径和类别。
下载预训练模型yolov7.pt，然后就可以开始训练了
训练完成后，在yolov7目录下的run目录中，找到生成的模型文件——best.pt。
我训练好的模型放在源码weights目录中，名为fire.pt，大家可以直接使用。
有了模型，我们用它开发一个监测程序了。
首先，需要自行下载 yolov7 源码到当前工程里。
然后，安装pytorch，并用pytorch加载训练好的yolov7模型。
fire_detector = torch.hub.load('./yolov7', 'custom', './weights/fire.pt', source='local')源码中有一个火灾视频fire_video.mp4，可以用opencv读取该视频，用来测试检测效果。
ret, frame = cap.read() results = self.fire_detector(img_cvt) pd = results.pandas().xyxy[0] # 绘制检测框 for obj in pd.to_numpy(): box_l, box_t = int(obj[0]), int(obj[1]) box_r, box_b = int(obj[2]), int(obj[3]) obj_name = obj[6] if obj_name == 'smoke': box_color = (0, 0, 255) box_txt = '检测到浓烟' else: box_color = (0, 255, 0) box_txt = '检测到大火' frame = cv2.rectangle(frame, (box_l, box_t), (box_r, box_b), box_color, 2) frame = cv2_add_chinese_text(frame, box_txt, (box_l, box_t-40), box_color, 25)
运行成功后，可以效果与文章开头中的视频一致。
可以把项目部署到嵌入式 GPU 上，如：jetson nano，来做实时检测。开发一个云通信服务，一旦发生火灾进行电话报警。
同时，还可以开发一个 APP ，将现场的视频流回传到服务器，APP可以实时看到监控效果，帮助决策。
其实用目标检测做火灾检测还是有一些难点的。如，干扰样本多，容易造成误检。再比如，标注不统一导致无法有效的计算mAP。
所以，最好我们能自定义损失函数和准召的计算方式。以召回为例，我们能检测出图片中有火灾就算成功，而不一定非要检测出多少个火苗和多少个烟雾。
当然，这类任务并非一定要通过目标检测来做。有朋友跟我提出用分类任务、分割任务，我觉得都可以去尝试。
以上是训练YOLOv7模型，开发AI火灾监测的详细内容。更多信息请关注PHP中文网其他相关文章！
