助力道路场景下智能环境识别，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建公共生活场景下的火点检测预警系统

智能照明系统可预设不同场景模式，节能环保 #生活技巧# #居家生活技巧# #家庭安全技巧# #智能家居使用教程#

火灾对于每个人来说熟悉又恐惧的事情，前段时间雨花台火灾更是给每个人敲响了警钟，安全用电安全放置物品对于降低火灾隐患有非常重要的作用，对应火灾等 事情的及早发现预警对于保护生命财产安全有着重要的左右，本文的主要目的就是想要构建公共生活场景下的火灾数据集，之后开发实现火灾检测预警系统，在前文中已经基于最经典的YOLOv5和YOLOv7模型开发了相应的模型，感兴趣的话可以自行移步阅读：
《助力火灾安防预警，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建共用过生活场景下的火点检测预警系统》

《助力火灾安防预警，基于YOLOv7【tiny/l/x】不同系列参数模型开发构建公共生活场景下的火点检测预警系统》

本文主要是基于YOLOv8全系列不同量级的模型来构建对应的应用，首先看下实例效果：

简单看下实例数据集：

如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章，如下所示：

《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例》

非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。

非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。

YOLOv8核心特性和改动如下：
1、提供了一个全新的SOTA模型（state-of-the-art model），包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于YOLACT的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求
2、骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是一套参数应用所有模型，大幅提升了模型性能。
3、Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从Anchor-Based 换成了 Anchor-Free
4、Loss 计算方面采用了TaskAlignedAssigner正样本分配策略，并引入了Distribution Focal Loss
5、训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度

YOLOv8官方项目地址在这里，如下所示：

目前已经收获超过1.7w的star量了。官方提供的预训练模型如下所示：

是基于Open Image V7数据集构建的，可以根据自己的需求进行选择使用即可。

YOLOv8的定位不仅仅是目标检测，而是性能强大全面的工具库，故而在任务类型上同时支持：姿态估计、检测、分类、分割、跟踪多种类型，可以根据自己的需要进行选择使用，这里就不再详细展开了。

简单的实例实现如下所示：

from ultralytics import YOLO

model = YOLO('yolov8n.yaml').load('yolov8n.pt')

model.train(data='data/self.yaml', epochs=100, imgsz=640)

model = YOLO('yolov8s.yaml').load('yolov8s.pt')

model.train(data='data/self.yaml', epochs=100, imgsz=640)

model = YOLO('yolov8m.yaml').load('yolov8m.pt')

model.train(data='data/self.yaml', epochs=100, imgsz=640)

model = YOLO('yolov8l.yaml').load('yolov8l.pt')

model.train(data='data/self.yaml', epochs=100, imgsz=640)

model = YOLO('yolov8x.yaml').load('yolov8x.pt')

model.train(data='data/self.yaml', epochs=100, imgsz=640)

python

运行

这里给出yolov8的模型文件如下：

nc: 1

scales:

n: [0.33, 0.25, 1024]

s: [0.33, 0.50, 1024]

m: [0.67, 0.75, 768]

l: [1.00, 1.00, 512]

x: [1.00, 1.25, 512]

backbone:

- [-1, 1, Conv, [64, 3, 2]]

- [-1, 1, Conv, [128, 3, 2]]

- [-1, 3, C2f, [128, True]]

- [-1, 1, Conv, [256, 3, 2]]

- [-1, 6, C2f, [256, True]]

- [-1, 1, Conv, [512, 3, 2]]

- [-1, 6, C2f, [512, True]]

- [-1, 1, Conv, [1024, 3, 2]]

- [-1, 3, C2f, [1024, True]]

- [-1, 1, SPPF, [1024, 5]]

head:

- [-1, 1, nn.Upsample, [None, 2, 'nearest']]

- [[-1, 6], 1, Concat, [1]]

- [-1, 3, C2f, [512]]

- [-1, 1, nn.Upsample, [None, 2, 'nearest']]

- [[-1, 4], 1, Concat, [1]]

- [-1, 3, C2f, [256]]

- [-1, 1, Conv, [256, 3, 2]]

- [[-1, 12], 1, Concat, [1]]

- [-1, 3, C2f, [512]]

- [-1, 1, Conv, [512, 3, 2]]

- [[-1, 9], 1, Concat, [1]]

- [-1, 3, C2f, [1024]]

- [[15, 18, 21], 1, Detect, [nc]]

python

运行

实验阶段保持着完全相同的参数设置，开发完成五款不同参数量级的模型来进行综合全面的对比分析，等待训练完成后我们来详细看下结果。

【Precision曲线】
精确率曲线（Precision-Recall Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
精确率曲线通常与召回率曲线（Recall Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【Recall曲线】
召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。

【loss】

【F1值曲线】
F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。

【mAP0.5】
mAP0.5，也被称为mAP@0.5或AP50，指的是当Intersection over Union（IoU）阈值为0.5时的平均精度（mean Average Precision）。IoU是一个用于衡量预测边界框与真实边界框之间重叠程度的指标，其值范围在0到1之间。当IoU值为0.5时，意味着预测框与真实框至少有50%的重叠部分。
在计算mAP0.5时，首先会为每个类别计算所有图片的AP（Average Precision），然后将所有类别的AP值求平均，得到mAP0.5。AP是Precision-Recall Curve曲线下面的面积，这个面积越大，说明AP的值越大，类别的检测精度就越高。
mAP0.5主要关注模型在IoU阈值为0.5时的性能，当mAP0.5的值很高时，说明算法能够准确检测到物体的位置，并且将其与真实标注框的IoU值超过了阈值0.5。

【mAP0.5:0.95】
mAP0.5:0.95，也被称为mAP@[0.5:0.95]或AP@[0.5:0.95]，表示在IoU阈值从0.5到0.95变化时，取各个阈值对应的mAP的平均值。具体来说，它会在IoU阈值从0.5开始，以0.05为步长，逐步增加到0.95，并在每个阈值下计算mAP，然后将这些mAP值求平均。
这个指标考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。当mAP0.5:0.95的值很高时，说明算法在不同阈值下的检测结果均非常准确，覆盖面广，可以适应不同的场景和应用需求。
对于一些需求比较高的场合，比如安全监控等领域，需要保证高的准确率和召回率，这时mAP0.5:0.95可能更适合作为模型的评价标准。
综上所述，mAP0.5和mAP0.5:0.95都是用于评估目标检测模型性能的重要指标，但它们的关注点有所不同。mAP0.5主要关注模型在IoU阈值为0.5时的性能，而mAP0.5:0.95则考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。

综合实验对比结果来看不难看出s系列的模型效果最优，结合参数量考虑最终线上考虑使用s系列的模型来作为最终的推理模型。

接下来看下s系列的模型详情：
【离线推理实例】

【Batch实例】

【训练可视化】

【PR曲线】

感兴趣的话也都可以试试看！

如果自己不具备开发训练的资源条件或者是没有时间自己去训练的话这里我提供出来对应的训练结果可供自行按需索取。

单个模型的训练结果默认YOLOv8s

网址：助力道路场景下智能环境识别，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建公共生活场景下的火点检测预警系统 https://www.yuejiaxmz.com/news/view/1424885

相关内容

助力火灾安防预警，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建公共生活场景下的火点检测预警系统
基于yolov8的火灾火焰烟雾检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
基于深度学习的生活垃圾检测与分类系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的维修工具检测识别系统
环境监测中的人工智能：实时数据分析与预测1.背景介绍 环境监测是现代社会中的一个关键领域，它涉及到我们生活、工作和环境的
【完结】基于深度学习的工业压力表智能检测与读数系统【4】Pyqt5制作系统软件界面
垃圾分类检测数据集
智能汽车驾驶辅助系统的测试验证
人工智能辅助下的心理健康新型测评
工业控制系统场景指纹及异常检测

随便看看