新能源汽车自燃火灾识别报警系统

基于YOLOv8与Streamlit的实时火灾检测系统

项目概述

本系统是一款基于YOLOv8深度学习模型和Streamlit框架的轻量级火灾检测应用，能够实时分析视频流，高精度识别火焰并触发警报。该系统适用于智能安防、工业监控、家庭安全等场景，具备低延迟、高鲁棒性和易部署的特点。
Fire-Detection

🚀 核心功能

✅ 实时火焰检测

• 采用YOLOv8目标检测算法，优化推理速度与检测精度，支持**30FPS+**的实时分析。
• 可适配多种输入源（摄像头、视频文件、RTSP流）。

✅ 交互式可视化界面（Streamlit）

• 提供用户友好的Web界面，支持实时视频流展示、检测框标注及置信度显示。
• 可调整检测阈值（Confidence Threshold）和IOU参数，灵活适应不同场景需求。

✅ 智能警报系统

• 检测到火焰时立即触发声光警报（支持本地蜂鸣器或云端通知）。
• 可选配短信/邮件报警功能（集成Twilio或SMTP协议）。

✅ 轻量化与易部署

• 依赖库精简，支持Docker一键部署，兼容Windows/Linux/macOS。
• 提供CPU/GPU双模式，适配边缘计算设备（如Jetson Nano）。

---

🧠 模型训练

1. 数据集

• 采用自定义火灾数据集，包含10,000+标注样本，覆盖室内外火灾、烟雾、火炬等场景。
• 数据增强策略：随机翻转、亮度调整、模糊处理，提升模型泛化能力。

2. 训练配置

• 模型架构：YOLOv8s（平衡速度与精度）。
• 训练参数：Epochs=100, Batch Size=16, Optimizer=AdamW, LR=0.001。
• 硬件环境：NVIDIA RTX 3090（训练时间约4小时）。

3. 评估指标

📊 性能曲线

• 精确率-召回率曲线（PR Curve）：验证模型在不同阈值下的稳定性。
• F1分数曲线：综合衡量精确率与召回率，最优值达0.92。

📉 混淆矩阵

未归一化	归一化
![Unnormalized Matrix]	![Normalized Matrix]

• 火焰类别的召回率（Recall）>90%，误检率（False Positive）低于5%。

🖼️ 验证结果示例
![Validation Samples]

• 测试集mAP@0.5达到89.3%，适应复杂光照和遮挡场景。

---

⚙️ 技术栈

• 深度学习框架：PyTorch, Ultralytics YOLOv8
• 前端交互：Streamlit, OpenCV（视频处理）
• 警报系统：PyAudio（声音报警）, Requests（HTTP通知）
• 部署工具：Docker, ONNX Runtime（模型优化）

---

📁 项目结构

 
├── models/  
│   ├── yolov8s_fire.pt          # 预训练权重  
│   └── onnx/                    # 优化后的ONNX模型  
├── datasets/  
│   ├── train_images/            # 训练集  
│   └── val_labels/              # 标注文件  
├── app.py                       # Streamlit主程序  
└── requirements.txt             # 依赖清单  

---

🎯 应用场景

1. 工业安全：化工厂、仓库的实时火灾监控。
2. 智慧家庭：集成智能家居系统，联动灭火装置。
3. 公共区域：商场、地铁站的安防摄像头增强分析。

🔮 未来扩展

• 增加烟雾检测多任务模型。
• 支持多摄像头同步分析（分布式部署）。
• 开发移动端APP（TensorFlow Lite适配）。

---

📌 使用说明

1. 克隆仓库并安装依赖：

   pip install -r requirements.txt  
   

2. 运行Streamlit应用：

   streamlit run app.py  
   

3. 浏览器访问 http://localhost:8501 即可启动检测！

---

通过结合YOLOv8的高效检测能力与Streamlit的低代码交互优势，本项目为火灾预防提供了开箱即用的解决方案，助力安全防护的智能化升级。

（注：文中部分图片链接需替换为实际项目截图）