基于YOLOv8+Pyqt5火焰烟雾检测系统

本文主要是介绍基于YOLOv8+Pyqt5火焰烟雾检测系统，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、YOLOv8的基本原理

YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。其主要网络结构如下：
在这里插入图片描述

2、软件主要功能

可进行火焰、烟雾及正常这3种状态的目标检测；
支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
界面可实时显示目标位置、目标总数、置信度、用时等信息;
支持图片或者视频的检测结果保存；

3、数据集与训练

通过网络上搜集关于火焰及烟雾的各类图片，并使用LabelMe标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。一共包含979张图片，其中训练集包含877张图片，验证集包含47张图片，测试集包含55张图片部分图像及标注。
在这里插入图片描述
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将跌倒检测的图片分为训练集与验证集放入helmetData目录下。

同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

train: E:\MyCVProgram\FireSmokeDetection\datasets\FireSmokeData\train  # train images (relative to 'path') 128 images
val: E:\MyCVProgram\FireSmokeDetection\datasets\FireSmokeData\val  # val images (relative to 'path') 128 images
test: E:\MyCVProgram\FireSmokeDetection\datasets\FireSmokeData\test # val images (optional)# number of classes
nc: 3# Classes
names: ['Fire', 'default', 'smoke']

注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：

# 加载模型
model = YOLO("yolov8n.pt")  # 加载预训练模型
# Use the model
if __name__ == '__main__':# Use the modelresults = model.train(data='datasets/FireSmokeData/data.yaml', epochs=250, batch=4)  # 训练模型# 将模型转为onnx格式# success = model.export(format='onnx')

4、训练结果评估

YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
在这里插入图片描述
各损失函数作用说明：定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。本文训练结果如下：
在这里插入图片描述
PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型两类目标检测的mAP@0.5已经达到了0.87以上，平均值为0.89，结果还是很不错的。
在这里插入图片描述

5、界面展示

在这里插入图片描述

6. 检测结果识别

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。图片检测代码如下：

# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/fire2_mp4-28_jpg.rf.27cad783f34b8f9f162d91a0c5776350.jpg"# 加载预训练模型
# conf 0.25 object confidence threshold for detection
# iou 0.7 intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)# 检测图片
results = model(img_path)
res = results[0].plot()
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)