1. 準備數據集

數據集使用的是開源圖片，共 6k 張火災圖片，分別標注出??濃煙???和??火??兩類。

火

濃煙

項目采用??YOLO???訓練，我已經把數據轉成??YOLO???格式，并分好了訓練集和驗證集，見??dataset??目錄。

2. 訓練

訓練過程參考YOLOv7官網文檔即可。

修改data/coco.yaml文件，配置好訓練數據的路徑和類別。

下載預訓練模型yolov7.pt，然后就可以開始訓練了

3. 火災監測

訓練完成后，在yolov7目錄下的run目錄中，找到生成的模型文件——best.pt。

我訓練好的模型放在源碼weights目錄中，名為fire.pt，大家可以直接使用。

有了模型，我們用它開發一個監測程序了。

首先，需要自行下載 yolov7 源碼到當前工程里。

然后，安裝pytorch，并用pytorch加載訓練好的yolov7模型。

fire_detector = torch.hub.load('./yolov7', 'custom', './weights/fire.pt', source='local')

源碼中有一個火災視頻fire_video.mp4，可以用opencv讀取該視頻，用來測試檢測效果。

ret, frame = cap.read()
results = self.fire_detector(img_cvt)
pd = results.pandas().xyxy[0]

# 繪制檢測框
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 = '檢測到濃煙'
    else:
        box_color = (0, 255, 0)
        box_txt = '檢測到大火'

    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)

運行成功后，可以效果與文章開頭中的視頻一致。

可以把項目部署到嵌入式 GPU 上，如：jetson nano，來做實時檢測。開發一個云通信服務，一旦發生火災進行電話報警。

同時，還可以開發一個 APP ，將現場的視頻流回傳到服務器，APP可以實時看到監控效果，幫助決策。

4. 難點

其實用目標檢測做火災檢測還是有一些難點的。如，干擾樣本多，容易造成誤檢。再比如，標注不統一導致無法有效的計算mAP。

所以，最好我們能自定義損失函數和準召的計算方式。以召回為例，我們能檢測出圖片中有火災就算成功，而不一定非要檢測出多少個火苗和多少個煙霧。

當然，這類任務并非一定要通過目標檢測來做。有朋友跟我提出用分類任務、分割任務，我覺得都可以去嘗試。