简介面向森林火灾智能监测与目标检测研究这份资源以俯拍航拍视角聚焦六千余张火灾与烟雾图像的标注体系采用Pascal VOC与YOLO两种通用标注格式可直接用于检测模型的训练与评估解决林火场景中火点与烟雾的精准定位问题。压缩包内为单份docx说明文档体积仅五兆左右系统梳理了标注规则、图像数量与类别分布火类别标注框一万五千余个烟雾类别标注框一万二千余个合计近两万八千个矩形框且全部使用labelImg工具完成精确标注。文档中同步提供图片预览与标注示例便于使用者直观核对框选细节降低上手成本。目前已有六十余人学习浏览适合需要开展森林火灾检测算法研究的工程师与科研人员。借助该文档可省去自行采集与标注的工作量让团队专注于模型结构设计与调参验证同时需注意最终模型精度应交由使用者自行评估。1. 俯拍航拍森林火灾检测小目标双格式是这份数据集的真正价值很多人做火灾检测第一反应都是找平拍照片训练结果在无人机回传画面上直接漏检——俯拍航拍森林火灾检测数据集里火焰藏在树冠下烟雾在绿色背景下连成一片目标框又小又密。这份6116张、2类别的俯拍航拍森林火灾检测数据集恰好补的正是这个缺口视角贴近真实火场同时给VOC和YOLO两种标注格式意味着不管用哪套训练框架拿到手直接做校验和训练不用先耗半天转换格式。适合两类人刚入行想快速跑通火灾检测Demo的开发者和已有平拍数据想补航拍泛化能力的老手。下面按真实使用顺序讲目录结构、标签校验、训练参数和五个容易翻车的点。2. 数据集结构与标注格式VOC和YOLO各管哪一段2.1 先认清目录约定6116张图在两种格式之间怎么摆放拿到这类双格式交付的压缩包第一步不是急着解压开训而是先在命令行里把根目录整体看一遍。我习惯直接打印目录树确认图片、标注、划分清单三个东西都在。dataset_root/ ├── JPEGImages/ # 原图jpg或png混合 ├── Annotations/ # VOC侧标注每张图一个xml ├── ImageSets/Main/ # train.txt / val.txt等划分清单 ├── images/ # YOLO侧原图常见做法是直接复用JPEGImages └── labels/ # YOLO侧标注每张图一个txt这份6116张2类别的数据集常见的目录布局如上但不同发布者对YOLO侧的处理不一样有的把images和labels分别铺开有的用软链接复用JPEGImages有的只在说明文档里让你把train路径指到JPEGImages。目录先看「labels里面有没有东西」比什么都重要见过有人拿到压缩包兴冲冲改data.yaml跑半天报错找不到标签最后发现labels被放进了另一个嵌套目录。看目录的同时我会随机挑三张图片和对应的标注文件把框画回原图上人工过一眼。画框这一步看起来土但最能发现ClassName写错、box完全偏位这类脚本检查不出来的问题。文件数量对得上不算对齐像素位置对得上才算。另外可以对比一下Annotations和labels两个目录下文件的修改时间如果一侧完全是批量生成的时间戳另一侧零散不一致多半是发布者自己转换时出过问题这类包后续训练时更容易遇到玄学指标。2.2 XML与TXT坐标体系三处关键差异决定转换时会不会错位VOC侧和YOLO侧描述同一个目标但坐标表达方式完全不同。可以先看这张对比表。对比项VOC XMLYOLO txt坐标定义xmin/ymin/xmax/ymax绝对像素值cx/cy/w/h除以图片宽高后的0~1浮点数类别表达name里存字符串如fire文本第一个字段整数索引从0开始文件对应关系每张图对应一个同名xml每张图对应一个同名txt无效框表现xmin/ymax可能为0或倒置w/h可能出现0或负数第一处差异是归一化。YOLO的cx、cy、w、h全部是相对图片宽高的比例所以转换时「用哪张图的宽高」很关键。如果XML的size和实际图片像素不一致按XML尺寸归一化出来的txt在训练时会被正确读图的宽高还原成错误坐标框会整体偏移——这类问题loss能降、mAP永远上不去是转换脚本里最隐蔽的一类错位。第二处差异是类别索引。XML里写的是字符串fireYOLO txt里写的是整数这个整数对应data.yaml里names列表的声明位置。换一个框架、声明顺序变了之前的txt就全废了。第三处差异是边界情况VOC允许空标注文件YOLO对空txt的处理各框架不一致有的训练框架会直接报错有的会在loss里引入诡异的nan转换时建议把空标注文件单独统计出来而不是静默跳过。同理双格式包里的两个目录并不保证永远同步每个月翻出来用一次就先跑一遍同步性检查。2.3 两个类别怎么界定火焰与烟雾在俯拍视角下的边界标题写的是2类别绝大多数火灾检测数据集的默认命名是fire与smoke这份数据大概率也沿用这个约定。拿到手后先统计一遍类别字段确认有没有第三类、类别名有没有大小写混用。俯拍视角下类别的天然边界比平拍模糊得多明火被烟挡住一半该标fire还是smoke树冠下只露十几像素的橙红色点该不该标烟雾是半透明的边界到底画到哪一层灰度。常见处理惯例是肉眼可见的明火主体标fire即使被烟遮挡也按可见边界标只有烟的区域标smoke小于十几个像素、放大后才能确认是火焰的目标标注本身就带主观性这类样本的标签噪声会成为训练误差的主要来源。不用急着修改既有标注先按原标注跑一个baseline再看混淆矩阵里fire和smoke互相串类的比例如果串类严重再考虑合并或重标。另外看类别统计时不只关心框数还要关心框面积分布俯拍视角下大烟雾框会把整张图占掉大半这类样本过多会让模型对「大面积目标」过拟合后续对小火苗的召回更差。3. 训练前先做标签体检与数据划分三个脚本一次跑明白3.1 类别统计与异常坐标检查先知道这份数据能不能直接用「先跑通再优化」这话在图像分类上成立在目标检测上不成立——检测任务对标签质量零容忍。接手一个数据集的第一件事是用一段小脚本做体检这也是以前在某个火灾检测项目里踩坑之后留下的习惯属于血泪经验换来的固定动作。import os import xml.etree.ElementTree as ET ann_dir Annotations # VOC标注目录 counts {} # 类别名 - 框数量 empty_files [] # 没有任何object的xml error_files [] # 坐标倒置或越界的xml for name in os.listdir(ann_dir): if not name.endswith(.xml): continue tree ET.parse(os.path.join(ann_dir, name)) root tree.getroot() objects root.findall(object) if len(objects) 0: empty_files.append(name) continue for obj in objects: cls obj.find(name).text counts[cls] counts.get(cls, 0) 1 bndbox obj.find(bndbox) xmin int(float(bndbox.find(xmin).text)) ymin int(float(bndbox.find(ymin).text)) xmax int(float(bndbox.find(xmax).text)) ymax int(float(bndbox.find(ymax).text)) if xmax xmin or ymax ymin: error_files.append(name) if xmax 0 or ymax 0: error_files.append(name) print(类别统计:, counts) print(空标注xml数量:, len(empty_files), empty_files[:5]) print(异常坐标xml数量:, len(error_files), error_files[:5])这段逻辑很直白遍历Annotations下的每个xml解析出object列表统计每个类别的框数量同时检查bndbox是否存在倒置框或负坐标。跑完重点看三个数字。一是总框数除以总图片数6116张图的资源如果平均每张不到一个框说明大量背景图混在训练集里模型容易把背景也当目标。二是两个类别框数的比例fire和smoke如果差距超过三倍先记录这个比例后面调类别权重会用到。三是empty_files和error_files的数量这两类文件在数据增强阶段会被放大噪声不要直接放进训练集。3.2 生成ImageSets/Main划分清单比例与随机种子大多数目标检测框架在读取VOC格式时并不直接扫描Annotations而是先读ImageSets/Main下的train.txt和val.txt根据清单去取图。如果发布包里的清单缺失或不合理用这个脚本重新生成。import os import random random.seed(2024) # 固定种子方便复现 img_dir JPEGImages train_ratio 0.9 # 训练/验证比例 names [f.split(.)[0] for f in os.listdir(img_dir) if f.endswith((.jpg, .png))] random.shuffle(names) split int(len(names) * train_ratio) train_names, val_names names[:split], names[split:] os.makedirs(ImageSets/Main, exist_okTrue) with open(ImageSets/Main/train.txt, w) as f: f.write(\n.join(train_names)) with open(ImageSets/Main/val.txt, w) as f: f.write(\n.join(val_names)) print(ftrain{len(train_names)}, val{len(val_names)})注意两个参数random.seed的值决定了每次运行划分结果可复现固定成一个和项目相关的整数就好train_ratio设为0.9还是0.85取决于后续要不要做模型选择或超参搜索如果只是想验证数据集能不能跑通0.9没问题。另外shuffle之前可以加一层过滤把3.1里统计出的empty_files和error_files排除掉。划分完成后不要急着删旧清单最好把新旧train.txt做一次diff看看发布者原本的划分和随机划分重合度有多少这个信息能帮你判断官方划分是否做了分层抽样——如果重合度极低且指标差异很大说明原划分里可能混入了特定难度的图后续对比实验要小心。3.3 兜底转换VOC的XML转YOLO的txt尺寸以实际图片为准如果发布包只有VOC标注或者YOLO侧labels目录是空的就需要自己转换。这类转换脚本网上很多但多数会在图片尺寸从XML的size读还是从图片实际读这一点上埋雷。建议只认cv2实际读出来的尺寸不要信任XML里记录的字段。import os import cv2 import xml.etree.ElementTree as ET classes [fire, smoke] # 和后续data.yaml里names顺序保持一致 cls_map {c: i for i, c in enumerate(classes)} ann_dir Annotations out_dir labels os.makedirs(out_dir, exist_okTrue) for xml_name in os.listdir(ann_dir): if not xml_name.endswith(.xml): continue tree ET.parse(os.path.join(ann_dir, xml_name)) root tree.getroot() img_name root.find(filename).text img_path os.path.join(JPEGImages, img_name) img cv2.imread(img_path) if img is None: print(图片读不到: , img_name) # 注意大小写与扩展名不一致 continue h, w img.shape[:2] lines [] for obj in root.findall(object): cls_name obj.find(name).text if cls_name not in cls_map: continue bndbox obj.find(bndbox) xmin int(float(bndbox.find(xmin).text)) ymin int(float(bndbox.find(ymin).text)) xmax int(float(bndbox.find(xmax).text)) ymax int(float(bndbox.find(ymax).text)) x_center (xmin xmax) / 2 / w y_center (ymin ymax) / 2 / h box_w (xmax - xmin) / w box_h (ymax - ymin) / h lines.append(f{cls_map[cls_name]} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) out_path os.path.join(out_dir, xml_name[:-4] .txt) with open(out_path, w) as f: f.write(\n.join(lines))脚本里唯一需要留意的是cls_map它把VOC XML里的字符串映射到整数索引顺序必须和后面训练用的data.yaml里names完全一致。以这份2类别数据为例classes定义[fire, smoke]那么fire训练时对应索引0、smoke对应索引1如果某框架内部要求从1开始编号这个映射就要整体加1。每行txt写了cls_id加中心点坐标加框宽高使用六位小数足够保存小目标的精度。转换完再抽查三五个txt把内容转回像素画框看位置对不对这一步不要省。另外如果读取图片失败最常见原因是XML里记录的文件名大小写和实际磁盘不一致或者图片后缀是.jpg但文件名写成了.jpeg打印出来统一rename即可。注意data.yaml的names顺序和txt首列索引是绑定的改names顺序就必须重转标注否则两个类别的训练信号会互相换位。4. 用YOLO训练俯拍火灾数据data.yaml、命令行与四个必调参数4.1 先把数据集描述文件写对路径和names的坑不管用哪套YOLO系框架第一步都是把数据描述文件写对。以当前主流的yolo命令行工具为例data.yaml长这样path: /path/to/dataset_root # 数据集根目录 train: images/train # 训练图片相对路径 val: images/val # 验证图片相对路径 nc: 2 # 类别数 names: [fire, smoke] # 类别名列表顺序决定txt索引三个点值得较真。第一是path字段有的框架允许相对路径有的要求绝对路径建议统一用绝对路径省得换机器就报错。第二是train和val如果YOLO侧labels目录是平的、没有按train/val分目录就需要先用3.2的划分脚本把图片和txt按子目录各放一份再写这里的相对路径有些框架支持直接传txt文件路径列表但不同版本支持程度不一致不推荐。第三是names顺序表面看只是给模型看名字实际上这个顺序和YOLO txt里每行开头的整数是一一对应的——前面XML转YOLO脚本里的cls_map顺序写反了这里又没核查训练出来两个类别的预测结果就会互换。对这6116张2类别的数据来说names写错是最常见也最不值得的翻车。4.2 最小训练命令跑通一个baseline再谈调参数据校验完先把训练跑起来目标是尽快拿到一条能看曲线的baseline。yolo detect train \ datadata.yaml \ modelyolov8n.pt \ imgsz960 \ batch16 \ epochs100 \ patience20 \ device0参数选择逻辑model先用nano体积的预训练权重因为俯拍火灾检测的首要目标是快速验证数据路径和标注没问题而不是一步到位刷精度等baseline跑通再往上换s或m。imgsz从默认640提到960是航拍小目标场景性价比很高的改动树冠间的小火焰在640下映射到特征图上的尺寸常常只有几个像素960能明显改善。batch设16是常见单卡显存下的安全值如果用大显存卡可以提到24或32。epochs给100配合patience20做早停实际训练中通常六七十轮就收敛个别场景会到九十轮。训练日志主要看三块P、R、mAP50、mAP50-95四条曲线是否同步上升验证集最终值是否在一个能接受的区间关闭patience后是否出现验证集震荡但训练集继续下降的过拟合信号。如果R明显低于P说明漏检问题大于误检这在俯拍小目标场景很常见如果P低R高说明误检多先检查是不是把绿色裸地或深色树冠学成了背景正样本。4.3 四个必调参数从640到960只是第一步除了imgsz还有四个参数在火灾检测上值得动。第一是mosaic增强。数据增强对目标检测是双刃剑mosaic把四张图拼在一起能让模型在小目标密度上更鲁棒但火灾数据里烟雾是半透明且边界模糊的目标拼接切出的烟块形状完全没有物理意义。常见做法是把mosaic降到0.5以下或者干脆关闭只在最后几十轮再打开。实测效果因数据而异所以要先跑一次默认配置再跑一次关闭mosaic的配置对比mAP50-95。第二是anchor或自适应锚框。俯拍航拍视角下目标尺寸分布和平拍差异极大目标框普遍较小且分布集中训练框架如果提供自动计算anchor的功能建议在首次训练时打开并回看它对当前数据算出的锚框尺度。第三是confidence阈值。训练完成后推理时conf默认0.25对火灾场景偏保守火焰检测允许一定误报代价是漏报在实际火场不可接受实际部署时通常把conf降到0.1到0.15配合NMS的IoU阈值调整来压重复框。第四是batch在显存不足时的取舍宁可保持imgsz960加batch16也不要为了开大imgsz把batch降到4BatchNorm统计量在小batch下会飘航拍大图造成的梯度波动会被进一步放大。当然以上参数调整都建立在一个前提上已经有一个可复现的baseline。我一般会在第一个训练跑完后把模型权重存下来记录imgsz、batch、epoch数、mAP50和mAP50-95之后每次只改一个变量。火灾检测的调参空间比比赛题小得多真正决定上限的是数据分布而不是参数组合这句话在航拍小目标场景里尤其明显。5. 避坑俯拍火灾数据集训练中最常见的五个翻车点5.1 fire类别的正样本太少模型全去学smoke现象训练完整体mAP能看但按类别打印PR曲线时fire的召回率远低于smoke回看验证集预测图火焰区域基本没框出来。原因俯拍视角下smoke的标注面积大、数量多fire是又小又不规则的正样本训练梯度被smoke主导。解决先跑体检脚本统计两个类别的框数比例如果超过三倍对fire做过采样或者给fire类别设置更高的loss权重。很多框架支持按类别加权设完后重新训练对比PR这条往往比调imgsz更有效。5.2 imgsz拉到1280反而翻车显存、batch和收益的三角关系现象把imgsz从960调到1280显存告急于是把batch从16降到4结果训练loss震荡mAP50不升反降。原因图片变大让单张显存占用暴涨batch被压到4之后BatchNorm统计量不稳定模型在航拍大图上反而学不到稳定特征。解决控制batch不低于16的前提下再考虑提高imgsz比如卡不动就用960固定卡有余量就提到1100左右真正想让大图小目标都被覆盖更靠后面讲的切片推理而不是单靠训练端提分辨率。5.3 loss正常降、mAP不涨先怀疑类别索引这类玄学问题现象训练loss曲线温和下降但验证mAP从第一轮到最后一轮都接近0预测框全部落在图片边缘或全部输出为同一类别。原因最常见是VOC转YOLO时cls_map顺序和data.yaml的names不一致导致fire框被当smoke训练其次是归一化时用了XML里错误的尺寸字段导致所有框的位置整体偏移。解决训练前抽十个txt把归一化坐标乘回图片宽高画框看位置再打印data.yaml解析后的类别表和训练日志里首次validation输出的标签确认每个batch里两个类别都在出现。这类问题特征是loss正常、指标不动靠调超参永远解决不了。5.4 误检集中在太阳、云、裸土和高亮石头上现象模型的precision表面对但推理视频时太阳、亮白云、干燥裸土被反复框成fire浅色烟也常被当成天空背景漏掉。原因火灾高温区域在高亮颜色特征上和这些目标重叠如果训练数据里「像火但不是火」的负样本少模型自然学成只看颜色不看纹理形状。解决先不用急着删漏检图打开亮度、饱和度、色调的随机抖动增强很多误检会自己消失如果还有顽固误检把误检图收集一小批标注成没有目标作为训练集负样本重训一次效果一般比调IoU阈值明显。5.5 验证集混入大量无目标背景帧mAP虚高现象验证集mAP忽高忽低换一个随机种子结果差异很大但最终视频里实拍效果很差。原因航拍数据里有很多帧是没有火灾的纯森林背景如果划分时没有对这些帧做约束验证集里大量背景帧会让AP计算变得不稳定——没有目标就没有TP但几乎也没有FP分母变来变去自然波动。解决划分前按「有fire的图、有smoke的图、纯背景图」三类分组每组内部再随机划分保证val里目标图占大多数同时记录val集合里每张图的框数量分布避免某个epoch恰好抽到极端子集。5.6 数据检查顺序先怀疑标注再怀疑参数除了上面五条训练火灾检测还有一个不成文的顺序当结果异常时先花半小时看标注本身而不是去调优化器。常见该修的情况包括同一个烟头被重复框成两个重叠框、矩形框只框到烟雾的一半透明度区域、树冠阴影被当成fire标上。对6116张2类别这种体量标注噪声通常集中在树冠遮挡和烟雾边缘手工把明显错误的几十张挑出来修正并保存为一份修复清单比盲目换模型、调anchor更有效。6. 进阶对整张大图做切片推理把小目标从树冠里挖出来俯拍航拍数据的另一个关键矛盾是原始图可能很大直接resize进模型目标被压缩得只剩十几个像素不resize又超出模型输入尺寸。切片推理是针对性解法把原图切成一堆瓦片每个瓦片独立过模型再把结果坐标系映射回原图。import cv2 tile_size 640 stride 512 def slice_infer(img_path, model): img cv2.imread(img_path) h, w img.shape[:2] all_boxes [] for y in range(0, h - tile_size 1, stride): for x in range(0, w - tile_size 1, stride): tile img[y:y tile_size, x:x tile_size] results model(tile, conf0.15, iou0.5, imgsz640, verboseFalse) for det in results[0].boxes: x1, y1, x2, y2 det.xyxy[0].cpu().numpy() all_boxes.append( [x x1, y y1, x x2, y y2, float(det.conf)] ) return all_boxes切片大小用640和模型输入保持一致stride小于tile_size保留重叠区域避免目标恰好被切在瓦片交界处而被丢掉重叠部分的重复框收集完后做一次NMS合并可以直接调框架自带的后处理。如果图特别大超过4000像素单尺度切片会让显存频繁申请释放可以先统计数据集的宽度分布再决定切片尺寸。我自己在某个林区巡检Demo上吃过全图直接推理的亏整张4K航拍图输入模型树冠下的小火苗一个都没框出来切成640的瓦片后几十个像素的暗火点反而能稳定检出——这套切片逻辑比在训练端无限提imgsz更贴近真实的航拍部署。火灾检测不同于普通目标检测漏检的真实代价远超误检切片重叠区宁可多算一遍也不要让目标从边界溜走。希望帮到你。本文还有配套的精品资源点击获取
简介面向森林火灾智能监测与目标检测研究这份资源以俯拍航拍视角聚焦六千余张火灾与烟雾图像的标注体系采用Pascal VOC与YOLO两种通用标注格式可直接用于检测模型的训练与评估解决林火场景中火点与烟雾的精准定位问题。压缩包内为单份docx说明文档体积仅五兆左右系统梳理了标注规则、图像数量与类别分布火类别标注框一万五千余个烟雾类别标注框一万二千余个合计近两万八千个矩形框且全部使用labelImg工具完成精确标注。文档中同步提供图片预览与标注示例便于使用者直观核对框选细节降低上手成本。目前已有六十余人学习浏览适合需要开展森林火灾检测算法研究的工程师与科研人员。借助该文档可省去自行采集与标注的工作量让团队专注于模型结构设计与调参验证同时需注意最终模型精度应交由使用者自行评估。1. 俯拍航拍森林火灾检测小目标双格式是这份数据集的真正价值很多人做火灾检测第一反应都是找平拍照片训练结果在无人机回传画面上直接漏检——俯拍航拍森林火灾检测数据集里火焰藏在树冠下烟雾在绿色背景下连成一片目标框又小又密。这份6116张、2类别的俯拍航拍森林火灾检测数据集恰好补的正是这个缺口视角贴近真实火场同时给VOC和YOLO两种标注格式意味着不管用哪套训练框架拿到手直接做校验和训练不用先耗半天转换格式。适合两类人刚入行想快速跑通火灾检测Demo的开发者和已有平拍数据想补航拍泛化能力的老手。下面按真实使用顺序讲目录结构、标签校验、训练参数和五个容易翻车的点。2. 数据集结构与标注格式VOC和YOLO各管哪一段2.1 先认清目录约定6116张图在两种格式之间怎么摆放拿到这类双格式交付的压缩包第一步不是急着解压开训而是先在命令行里把根目录整体看一遍。我习惯直接打印目录树确认图片、标注、划分清单三个东西都在。dataset_root/ ├── JPEGImages/ # 原图jpg或png混合 ├── Annotations/ # VOC侧标注每张图一个xml ├── ImageSets/Main/ # train.txt / val.txt等划分清单 ├── images/ # YOLO侧原图常见做法是直接复用JPEGImages └── labels/ # YOLO侧标注每张图一个txt这份6116张2类别的数据集常见的目录布局如上但不同发布者对YOLO侧的处理不一样有的把images和labels分别铺开有的用软链接复用JPEGImages有的只在说明文档里让你把train路径指到JPEGImages。目录先看「labels里面有没有东西」比什么都重要见过有人拿到压缩包兴冲冲改data.yaml跑半天报错找不到标签最后发现labels被放进了另一个嵌套目录。看目录的同时我会随机挑三张图片和对应的标注文件把框画回原图上人工过一眼。画框这一步看起来土但最能发现ClassName写错、box完全偏位这类脚本检查不出来的问题。文件数量对得上不算对齐像素位置对得上才算。另外可以对比一下Annotations和labels两个目录下文件的修改时间如果一侧完全是批量生成的时间戳另一侧零散不一致多半是发布者自己转换时出过问题这类包后续训练时更容易遇到玄学指标。2.2 XML与TXT坐标体系三处关键差异决定转换时会不会错位VOC侧和YOLO侧描述同一个目标但坐标表达方式完全不同。可以先看这张对比表。对比项VOC XMLYOLO txt坐标定义xmin/ymin/xmax/ymax绝对像素值cx/cy/w/h除以图片宽高后的0~1浮点数类别表达name里存字符串如fire文本第一个字段整数索引从0开始文件对应关系每张图对应一个同名xml每张图对应一个同名txt无效框表现xmin/ymax可能为0或倒置w/h可能出现0或负数第一处差异是归一化。YOLO的cx、cy、w、h全部是相对图片宽高的比例所以转换时「用哪张图的宽高」很关键。如果XML的size和实际图片像素不一致按XML尺寸归一化出来的txt在训练时会被正确读图的宽高还原成错误坐标框会整体偏移——这类问题loss能降、mAP永远上不去是转换脚本里最隐蔽的一类错位。第二处差异是类别索引。XML里写的是字符串fireYOLO txt里写的是整数这个整数对应data.yaml里names列表的声明位置。换一个框架、声明顺序变了之前的txt就全废了。第三处差异是边界情况VOC允许空标注文件YOLO对空txt的处理各框架不一致有的训练框架会直接报错有的会在loss里引入诡异的nan转换时建议把空标注文件单独统计出来而不是静默跳过。同理双格式包里的两个目录并不保证永远同步每个月翻出来用一次就先跑一遍同步性检查。2.3 两个类别怎么界定火焰与烟雾在俯拍视角下的边界标题写的是2类别绝大多数火灾检测数据集的默认命名是fire与smoke这份数据大概率也沿用这个约定。拿到手后先统计一遍类别字段确认有没有第三类、类别名有没有大小写混用。俯拍视角下类别的天然边界比平拍模糊得多明火被烟挡住一半该标fire还是smoke树冠下只露十几像素的橙红色点该不该标烟雾是半透明的边界到底画到哪一层灰度。常见处理惯例是肉眼可见的明火主体标fire即使被烟遮挡也按可见边界标只有烟的区域标smoke小于十几个像素、放大后才能确认是火焰的目标标注本身就带主观性这类样本的标签噪声会成为训练误差的主要来源。不用急着修改既有标注先按原标注跑一个baseline再看混淆矩阵里fire和smoke互相串类的比例如果串类严重再考虑合并或重标。另外看类别统计时不只关心框数还要关心框面积分布俯拍视角下大烟雾框会把整张图占掉大半这类样本过多会让模型对「大面积目标」过拟合后续对小火苗的召回更差。3. 训练前先做标签体检与数据划分三个脚本一次跑明白3.1 类别统计与异常坐标检查先知道这份数据能不能直接用「先跑通再优化」这话在图像分类上成立在目标检测上不成立——检测任务对标签质量零容忍。接手一个数据集的第一件事是用一段小脚本做体检这也是以前在某个火灾检测项目里踩坑之后留下的习惯属于血泪经验换来的固定动作。import os import xml.etree.ElementTree as ET ann_dir Annotations # VOC标注目录 counts {} # 类别名 - 框数量 empty_files [] # 没有任何object的xml error_files [] # 坐标倒置或越界的xml for name in os.listdir(ann_dir): if not name.endswith(.xml): continue tree ET.parse(os.path.join(ann_dir, name)) root tree.getroot() objects root.findall(object) if len(objects) 0: empty_files.append(name) continue for obj in objects: cls obj.find(name).text counts[cls] counts.get(cls, 0) 1 bndbox obj.find(bndbox) xmin int(float(bndbox.find(xmin).text)) ymin int(float(bndbox.find(ymin).text)) xmax int(float(bndbox.find(xmax).text)) ymax int(float(bndbox.find(ymax).text)) if xmax xmin or ymax ymin: error_files.append(name) if xmax 0 or ymax 0: error_files.append(name) print(类别统计:, counts) print(空标注xml数量:, len(empty_files), empty_files[:5]) print(异常坐标xml数量:, len(error_files), error_files[:5])这段逻辑很直白遍历Annotations下的每个xml解析出object列表统计每个类别的框数量同时检查bndbox是否存在倒置框或负坐标。跑完重点看三个数字。一是总框数除以总图片数6116张图的资源如果平均每张不到一个框说明大量背景图混在训练集里模型容易把背景也当目标。二是两个类别框数的比例fire和smoke如果差距超过三倍先记录这个比例后面调类别权重会用到。三是empty_files和error_files的数量这两类文件在数据增强阶段会被放大噪声不要直接放进训练集。3.2 生成ImageSets/Main划分清单比例与随机种子大多数目标检测框架在读取VOC格式时并不直接扫描Annotations而是先读ImageSets/Main下的train.txt和val.txt根据清单去取图。如果发布包里的清单缺失或不合理用这个脚本重新生成。import os import random random.seed(2024) # 固定种子方便复现 img_dir JPEGImages train_ratio 0.9 # 训练/验证比例 names [f.split(.)[0] for f in os.listdir(img_dir) if f.endswith((.jpg, .png))] random.shuffle(names) split int(len(names) * train_ratio) train_names, val_names names[:split], names[split:] os.makedirs(ImageSets/Main, exist_okTrue) with open(ImageSets/Main/train.txt, w) as f: f.write(\n.join(train_names)) with open(ImageSets/Main/val.txt, w) as f: f.write(\n.join(val_names)) print(ftrain{len(train_names)}, val{len(val_names)})注意两个参数random.seed的值决定了每次运行划分结果可复现固定成一个和项目相关的整数就好train_ratio设为0.9还是0.85取决于后续要不要做模型选择或超参搜索如果只是想验证数据集能不能跑通0.9没问题。另外shuffle之前可以加一层过滤把3.1里统计出的empty_files和error_files排除掉。划分完成后不要急着删旧清单最好把新旧train.txt做一次diff看看发布者原本的划分和随机划分重合度有多少这个信息能帮你判断官方划分是否做了分层抽样——如果重合度极低且指标差异很大说明原划分里可能混入了特定难度的图后续对比实验要小心。3.3 兜底转换VOC的XML转YOLO的txt尺寸以实际图片为准如果发布包只有VOC标注或者YOLO侧labels目录是空的就需要自己转换。这类转换脚本网上很多但多数会在图片尺寸从XML的size读还是从图片实际读这一点上埋雷。建议只认cv2实际读出来的尺寸不要信任XML里记录的字段。import os import cv2 import xml.etree.ElementTree as ET classes [fire, smoke] # 和后续data.yaml里names顺序保持一致 cls_map {c: i for i, c in enumerate(classes)} ann_dir Annotations out_dir labels os.makedirs(out_dir, exist_okTrue) for xml_name in os.listdir(ann_dir): if not xml_name.endswith(.xml): continue tree ET.parse(os.path.join(ann_dir, xml_name)) root tree.getroot() img_name root.find(filename).text img_path os.path.join(JPEGImages, img_name) img cv2.imread(img_path) if img is None: print(图片读不到: , img_name) # 注意大小写与扩展名不一致 continue h, w img.shape[:2] lines [] for obj in root.findall(object): cls_name obj.find(name).text if cls_name not in cls_map: continue bndbox obj.find(bndbox) xmin int(float(bndbox.find(xmin).text)) ymin int(float(bndbox.find(ymin).text)) xmax int(float(bndbox.find(xmax).text)) ymax int(float(bndbox.find(ymax).text)) x_center (xmin xmax) / 2 / w y_center (ymin ymax) / 2 / h box_w (xmax - xmin) / w box_h (ymax - ymin) / h lines.append(f{cls_map[cls_name]} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) out_path os.path.join(out_dir, xml_name[:-4] .txt) with open(out_path, w) as f: f.write(\n.join(lines))脚本里唯一需要留意的是cls_map它把VOC XML里的字符串映射到整数索引顺序必须和后面训练用的data.yaml里names完全一致。以这份2类别数据为例classes定义[fire, smoke]那么fire训练时对应索引0、smoke对应索引1如果某框架内部要求从1开始编号这个映射就要整体加1。每行txt写了cls_id加中心点坐标加框宽高使用六位小数足够保存小目标的精度。转换完再抽查三五个txt把内容转回像素画框看位置对不对这一步不要省。另外如果读取图片失败最常见原因是XML里记录的文件名大小写和实际磁盘不一致或者图片后缀是.jpg但文件名写成了.jpeg打印出来统一rename即可。注意data.yaml的names顺序和txt首列索引是绑定的改names顺序就必须重转标注否则两个类别的训练信号会互相换位。4. 用YOLO训练俯拍火灾数据data.yaml、命令行与四个必调参数4.1 先把数据集描述文件写对路径和names的坑不管用哪套YOLO系框架第一步都是把数据描述文件写对。以当前主流的yolo命令行工具为例data.yaml长这样path: /path/to/dataset_root # 数据集根目录 train: images/train # 训练图片相对路径 val: images/val # 验证图片相对路径 nc: 2 # 类别数 names: [fire, smoke] # 类别名列表顺序决定txt索引三个点值得较真。第一是path字段有的框架允许相对路径有的要求绝对路径建议统一用绝对路径省得换机器就报错。第二是train和val如果YOLO侧labels目录是平的、没有按train/val分目录就需要先用3.2的划分脚本把图片和txt按子目录各放一份再写这里的相对路径有些框架支持直接传txt文件路径列表但不同版本支持程度不一致不推荐。第三是names顺序表面看只是给模型看名字实际上这个顺序和YOLO txt里每行开头的整数是一一对应的——前面XML转YOLO脚本里的cls_map顺序写反了这里又没核查训练出来两个类别的预测结果就会互换。对这6116张2类别的数据来说names写错是最常见也最不值得的翻车。4.2 最小训练命令跑通一个baseline再谈调参数据校验完先把训练跑起来目标是尽快拿到一条能看曲线的baseline。yolo detect train \ datadata.yaml \ modelyolov8n.pt \ imgsz960 \ batch16 \ epochs100 \ patience20 \ device0参数选择逻辑model先用nano体积的预训练权重因为俯拍火灾检测的首要目标是快速验证数据路径和标注没问题而不是一步到位刷精度等baseline跑通再往上换s或m。imgsz从默认640提到960是航拍小目标场景性价比很高的改动树冠间的小火焰在640下映射到特征图上的尺寸常常只有几个像素960能明显改善。batch设16是常见单卡显存下的安全值如果用大显存卡可以提到24或32。epochs给100配合patience20做早停实际训练中通常六七十轮就收敛个别场景会到九十轮。训练日志主要看三块P、R、mAP50、mAP50-95四条曲线是否同步上升验证集最终值是否在一个能接受的区间关闭patience后是否出现验证集震荡但训练集继续下降的过拟合信号。如果R明显低于P说明漏检问题大于误检这在俯拍小目标场景很常见如果P低R高说明误检多先检查是不是把绿色裸地或深色树冠学成了背景正样本。4.3 四个必调参数从640到960只是第一步除了imgsz还有四个参数在火灾检测上值得动。第一是mosaic增强。数据增强对目标检测是双刃剑mosaic把四张图拼在一起能让模型在小目标密度上更鲁棒但火灾数据里烟雾是半透明且边界模糊的目标拼接切出的烟块形状完全没有物理意义。常见做法是把mosaic降到0.5以下或者干脆关闭只在最后几十轮再打开。实测效果因数据而异所以要先跑一次默认配置再跑一次关闭mosaic的配置对比mAP50-95。第二是anchor或自适应锚框。俯拍航拍视角下目标尺寸分布和平拍差异极大目标框普遍较小且分布集中训练框架如果提供自动计算anchor的功能建议在首次训练时打开并回看它对当前数据算出的锚框尺度。第三是confidence阈值。训练完成后推理时conf默认0.25对火灾场景偏保守火焰检测允许一定误报代价是漏报在实际火场不可接受实际部署时通常把conf降到0.1到0.15配合NMS的IoU阈值调整来压重复框。第四是batch在显存不足时的取舍宁可保持imgsz960加batch16也不要为了开大imgsz把batch降到4BatchNorm统计量在小batch下会飘航拍大图造成的梯度波动会被进一步放大。当然以上参数调整都建立在一个前提上已经有一个可复现的baseline。我一般会在第一个训练跑完后把模型权重存下来记录imgsz、batch、epoch数、mAP50和mAP50-95之后每次只改一个变量。火灾检测的调参空间比比赛题小得多真正决定上限的是数据分布而不是参数组合这句话在航拍小目标场景里尤其明显。5. 避坑俯拍火灾数据集训练中最常见的五个翻车点5.1 fire类别的正样本太少模型全去学smoke现象训练完整体mAP能看但按类别打印PR曲线时fire的召回率远低于smoke回看验证集预测图火焰区域基本没框出来。原因俯拍视角下smoke的标注面积大、数量多fire是又小又不规则的正样本训练梯度被smoke主导。解决先跑体检脚本统计两个类别的框数比例如果超过三倍对fire做过采样或者给fire类别设置更高的loss权重。很多框架支持按类别加权设完后重新训练对比PR这条往往比调imgsz更有效。5.2 imgsz拉到1280反而翻车显存、batch和收益的三角关系现象把imgsz从960调到1280显存告急于是把batch从16降到4结果训练loss震荡mAP50不升反降。原因图片变大让单张显存占用暴涨batch被压到4之后BatchNorm统计量不稳定模型在航拍大图上反而学不到稳定特征。解决控制batch不低于16的前提下再考虑提高imgsz比如卡不动就用960固定卡有余量就提到1100左右真正想让大图小目标都被覆盖更靠后面讲的切片推理而不是单靠训练端提分辨率。5.3 loss正常降、mAP不涨先怀疑类别索引这类玄学问题现象训练loss曲线温和下降但验证mAP从第一轮到最后一轮都接近0预测框全部落在图片边缘或全部输出为同一类别。原因最常见是VOC转YOLO时cls_map顺序和data.yaml的names不一致导致fire框被当smoke训练其次是归一化时用了XML里错误的尺寸字段导致所有框的位置整体偏移。解决训练前抽十个txt把归一化坐标乘回图片宽高画框看位置再打印data.yaml解析后的类别表和训练日志里首次validation输出的标签确认每个batch里两个类别都在出现。这类问题特征是loss正常、指标不动靠调超参永远解决不了。5.4 误检集中在太阳、云、裸土和高亮石头上现象模型的precision表面对但推理视频时太阳、亮白云、干燥裸土被反复框成fire浅色烟也常被当成天空背景漏掉。原因火灾高温区域在高亮颜色特征上和这些目标重叠如果训练数据里「像火但不是火」的负样本少模型自然学成只看颜色不看纹理形状。解决先不用急着删漏检图打开亮度、饱和度、色调的随机抖动增强很多误检会自己消失如果还有顽固误检把误检图收集一小批标注成没有目标作为训练集负样本重训一次效果一般比调IoU阈值明显。5.5 验证集混入大量无目标背景帧mAP虚高现象验证集mAP忽高忽低换一个随机种子结果差异很大但最终视频里实拍效果很差。原因航拍数据里有很多帧是没有火灾的纯森林背景如果划分时没有对这些帧做约束验证集里大量背景帧会让AP计算变得不稳定——没有目标就没有TP但几乎也没有FP分母变来变去自然波动。解决划分前按「有fire的图、有smoke的图、纯背景图」三类分组每组内部再随机划分保证val里目标图占大多数同时记录val集合里每张图的框数量分布避免某个epoch恰好抽到极端子集。5.6 数据检查顺序先怀疑标注再怀疑参数除了上面五条训练火灾检测还有一个不成文的顺序当结果异常时先花半小时看标注本身而不是去调优化器。常见该修的情况包括同一个烟头被重复框成两个重叠框、矩形框只框到烟雾的一半透明度区域、树冠阴影被当成fire标上。对6116张2类别这种体量标注噪声通常集中在树冠遮挡和烟雾边缘手工把明显错误的几十张挑出来修正并保存为一份修复清单比盲目换模型、调anchor更有效。6. 进阶对整张大图做切片推理把小目标从树冠里挖出来俯拍航拍数据的另一个关键矛盾是原始图可能很大直接resize进模型目标被压缩得只剩十几个像素不resize又超出模型输入尺寸。切片推理是针对性解法把原图切成一堆瓦片每个瓦片独立过模型再把结果坐标系映射回原图。import cv2 tile_size 640 stride 512 def slice_infer(img_path, model): img cv2.imread(img_path) h, w img.shape[:2] all_boxes [] for y in range(0, h - tile_size 1, stride): for x in range(0, w - tile_size 1, stride): tile img[y:y tile_size, x:x tile_size] results model(tile, conf0.15, iou0.5, imgsz640, verboseFalse) for det in results[0].boxes: x1, y1, x2, y2 det.xyxy[0].cpu().numpy() all_boxes.append( [x x1, y y1, x x2, y y2, float(det.conf)] ) return all_boxes切片大小用640和模型输入保持一致stride小于tile_size保留重叠区域避免目标恰好被切在瓦片交界处而被丢掉重叠部分的重复框收集完后做一次NMS合并可以直接调框架自带的后处理。如果图特别大超过4000像素单尺度切片会让显存频繁申请释放可以先统计数据集的宽度分布再决定切片尺寸。我自己在某个林区巡检Demo上吃过全图直接推理的亏整张4K航拍图输入模型树冠下的小火苗一个都没框出来切成640的瓦片后几十个像素的暗火点反而能稳定检出——这套切片逻辑比在训练端无限提imgsz更贴近真实的航拍部署。火灾检测不同于普通目标检测漏检的真实代价远超误检切片重叠区宁可多算一遍也不要让目标从边界溜走。希望帮到你。本文还有配套的精品资源点击获取
