火灾烟雾检测，从数据处理到优化部署实战

最新推荐文章于 2025-03-03 07:02:02 发布

一拳超超

最新推荐文章于 2025-03-03 07:02:02 发布

阅读量1.3k

点赞数 1

分类专栏：技术分享文章标签：人工智能深度学习视觉检测

本文链接：https://blog.youkuaiyun.com/yiquanchao/article/details/125628319

版权

本文介绍了利用飞桨PaddleX的深度学习技术进行火灾烟雾检测的完整流程，包括数据准备、模型选择（PP-YOLOv2）、训练、评估、预测、模型导出和优化部署。针对高推理速度和误检问题，提供了优化策略和实际应用案例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

据统计，2021年全国共接报火灾74.8万起，直接财产损失高达67.5亿元。火灾已经成为危害人们生命财产安全的一种多发性灾害。

针对住宅、加油站、公路、森林等火灾高发场景，应用飞桨PaddleX的目标检测技术，可以自动检测监控区域内的烟雾和火灾，帮助相关人员及时应对，最大程度降低人员伤亡及财物损失，效果如图所示。

希望通过梳理优化模型精度和性能的思路能帮助用户更高效地解决实际火灾和烟雾检测应用中的问题。开放烟雾和火灾数据和预训练模型，并提供服务器Serving和Jetson NX边缘侧芯片的部署指南。

全部代码和线上实训链接：

方案难点：

更多技术交流和支持需求欢迎扫码入群

2 安装说明

环境要求

安装的相关问题参考PaddleX安装

下载PaddleX源码

本项目中已经帮大家下载好了最新版的PaddleX，无需下载，只需安装环境~

如仍需安装or安装更新，可以执行以下步骤

In [1]

# 项目已提供PaddlePaddleX，无需执行此步骤
# !git clone https://github.com/PaddlePaddle/PaddleX.git -b develop

In [ ]

!unzip -q PaddleX.zip

In [1]

# 安装环境
%cd /home/aistudio/PaddleX
!git checkout develop
!pip install -r requirements.txt
!python setup.py install

本案例使用数据集包含MIT协议互联网下载图片和MIT协议公开数据集，共有6675张图片，分别检测烟雾和火灾，示例图片如下图所示：

数据集图片格式是VOC数据格式，VOC数据是每个图像文件对应一个同名的xml文件，xml文件内包含对应图片的基本信息，比如文件名、来源、图像尺寸以及图像中包含的物体区域信息和类别信息等。

xml文件中包含以下字段：

size，表示图像尺寸。包括：图像宽度、图像高度、图像深度。

<size>
    <width>500</width>
    <height>375</height>
    <depth>3</depth>
</size>

object字段，表示每个物体。包括:

标签	说明
name	物体类别名称
pose	关于目标物体姿态描述（非必须字段）
truncated	如果物体的遮挡超过15-20％并且位于边界框之外，请标记为`truncated`（非必须字段）
difficult	难以识别的物体标记为`difficult`（非必须字段）
bndbox子标签	(xmin,ymin) 左上角坐标，(xmax,ymax) 右下角坐标，