视频演示
1. 前言
火灾作为威胁公共安全与生产安全的重大隐患，其早期检测与及时预警是降低灾害损失的关键环节。当前，传统火焰检测方法主要依赖人工监控或单一传感器（如温度、烟雾传感器），前者受限于人力精力易出现漏判误判，后者仅能感知局部物理信号，难以直接识别火焰形态特征，且在复杂场景（如强光反射、小目标远距离成像、多遮挡干扰）下检测效能显著下降。随着计算机视觉技术的发展，基于深度学习的目标检测算法为火焰检测提供了新路径，其中 YOLO 系列算法因兼顾实时性与检测精度，成为该领域的主流技术方案。然而，现有基于 YOLO 的火焰检测系统仍存在诸多应用瓶颈：部分系统操作依赖代码交互，非专业用户难以快速上手；功能模块分散，检测、模型管理、用户权限控制等环节割裂，缺乏一体化设计；参数调节（如置信度、交并比）的交互界面不直观，难以适配不同场景需求；此外，模型训练与推理流程分离，用户难以基于自有数据优化模型性能，限制了系统的灵活性与扩展性。
针对上述现状，本研究设计并实现了一套基于 YOLO 算法的火焰检测系统，旨在解决传统检测方法效率低、现有系统操作门槛高、功能整合不足等问题。该系统集成 YOLO5、YOLO8、YOLO11、YOLO12 多版本模型，支持图片、视频、文件夹批量及摄像头实时流等多源输入检测；通过可视化交互界面实现置信度、交并比参数的动态调节，提供检测目标的位置标注、数量统计及详细信息追溯功能；同时集成用户登录注册、个人中心管理及脚本化批量检测模块，并内置模型训练功能，支持用户基于自定义数据集微调模型，形成“检测-管理-训练”闭环。系统通过模块化设计与友好的交互逻辑，降低了 YOLO 算法落地的技术门槛，提升了火焰检测在实际场景中的适用性与可扩展性。
本文将从系统架构、功能实现、实验验证等方面展开阐述，重点分析多模型切换机制、实时检测优化策略及用户交互设计，为同类视觉检测系统的开发提供参考，助力火焰检测技术从理论研究向实际应用的转化。
2. 项目演示
2.1 用户登录界面
登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。
2.2 新用户注册
注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。
2.3 主界面布局
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
2.4 个人信息管理
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
2.5 多模态检测展示
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
2.6 多模型切换
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
3.模型训练核心代码
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
# -*- coding: utf-8 -*- """ 该脚本用于执行YOLO模型的训练。 它会自动处理以下任务： 1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。 2. 从 'pretrained' 文件夹加载指定的预训练模型。 3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。 要开始训练，只需直接运行此脚本。 """ import os import yaml from pathlib import Path from ultralytics import YOLO def main(): """ 主训练函数。 该函数负责执行YOLO模型的训练流程，包括： 1. 配置预训练模型。 2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。 3. 加载预训练模型。 4. 使用指定参数开始训练。 """ # --- 1. 配置模型和路径 --- # 要训练的模型列表 models_to_train = [ {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'}, {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'}, {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'}, {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'} ] # 获取当前工作目录的绝对路径，以避免相对路径带来的问题 current_dir = os.path.abspath(os.getcwd()) # --- 2. 动态配置数据集YAML文件 --- # 构建数据集yaml文件的绝对路径 data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml') # 读取原始yaml文件内容 with open(data_yaml_path, 'r', encoding='utf-8') as f: data_config = yaml.safe_load(f) # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径 # 这是为了确保ultralytics库能正确定位到训练、验证和测试集 data_config['path'] = os.path.join(current_dir, 'train_data') # 将修改后的配置写回yaml文件 with open(data_yaml_path, 'w', encoding='utf-8') as f: yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True) # --- 3. 循环训练每个模型 --- for model_info in models_to_train: model_name = model_info['name'] train_name = model_info['train_name'] print(f"n{'='*60}") print(f"开始训练模型: {model_name}") print(f"训练名称: {train_name}") print(f"{'='*60}") # 构建预训练模型的完整路径 pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name) if not os.path.exists(pretrained_model_path): print(f"警告: 预训练模型文件不存在: {pretrained_model_path}") print(f"跳过模型 {model_name} 的训练") continue try: # 加载指定的预训练模型 model = YOLO(pretrained_model_path) # --- 4. 开始训练 --- print(f"开始训练 {model_name}...") # 调用train方法开始训练 model.train( data=data_yaml_path, # 数据集配置文件 epochs=100, # 训练轮次 imgsz=640, # 输入图像尺寸 batch=8, # 每批次的图像数量 name=train_name, # 模型名称 ) print(f"{model_name} 训练完成！") except Exception as e: print(f"训练 {model_name} 时出现错误: {str(e)}") print(f"跳过模型 {model_name}，继续训练下一个模型") continue print(f"n{'='*60}") print("所有模型训练完成！") print(f"{'='*60}") if __name__ == "__main__": # 当该脚本被直接执行时，调用main函数 main() 
