智慧无人机航拍无人机遥感摄像头多传感火焰和烟雾检测数据集数据集总规模 30GB数据集包含在不同距离近和远、不同场景室内和室外、不同光照强度白天和夜晚以及从各种视觉传感器监控摄像普通拍照、无人机和卫星获取的火灾、烟雾和令人困惑的非火灾 / 非烟雾图像数据集包含超过 12w 个样本其中 7w 个被注释为正样本5w 个被标记为负样本。整个数据集中有 11w 个火焰物体实例和 7w 个烟雾物体实例一、数据集信息表格1.1 基础信息项目详情数据集名称无人机/遥感/摄像头多传感火焰烟雾检测数据集数据总大小30GB总样本数量12万张正样本火/烟7万张负样本非火/非烟干扰图像5万张火焰标注实例11万个烟雾标注实例7万个标注格式YOLO、VOC、COCO 三格式采集传感器监控摄像头、普通相机、无人机、卫星遥感场景覆盖室内/室外、远距离/近距离、白天/夜晚不同光照1.2 类别明细序号英文类别中文类别0fire火焰1smoke烟雾1.3 YOLO 类别列表names[fire,smoke]二、应用场景森林防火监测结合无人机、卫星遥感影像大范围林区火情早期预警。园区/厂区安防室内外监控摄像头实时识别火焰、烟雾触发消防报警。城市消防预警市政监控网络全天候火灾隐患排查提升应急响应速度。多模态视觉算法研发跨传感器、多场景、复杂光照下火烟检测模型训练、学术研究与竞赛。灾害应急系统应急平台接入多源视觉数据辅助火情研判与救援调度。三、YOLOv11 训练 推理代码3.1 环境依赖安装pipinstallultralytics torch opencv-python numpy3.2 数据集配置文件fire_smoke.yamlpath:./fire_smoke_datasettrain:images/trainval:images/valtest:images/testnc:2names:0:fire1:smoke3.3 数据集目录结构fire_smoke_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO txt标注 │ ├── train/ │ ├── val/ │ └── test/ ├── voc_annotations/ # VOC xml标注 ├── coco_annotations/ # COCO json标注 └── fire_smoke.yaml3.4 训练代码train_fire_smoke.pyfromultralyticsimportYOLOdeftrain_fire_smoke():modelYOLO(yolov11n.yaml)model.train(datafire_smoke.yaml,epochs100,imgsz640,batch12,devicecpu,# GPU环境改为 device0workers4,patience20,ampTrue,mosaic1.0,projectruns/train,namefire_smoke_det,exist_okTrue)print(训练完成权重保存至 runs/train/fire_smoke_det/weights)if__name____main__:train_fire_smoke()3.5 推理测试代码predict_fire_smoke.pyfromultralyticsimportYOLO modelYOLO(runs/train/fire_smoke_det/weights/best.pt)if__name____main__:# 单张图片检测resmodel(test.jpg,saveTrue,conf0.25)# 批量图片检测# res model(./test_images/, saveTrue, conf0.25)# 视频/摄像头实时检测# res model(0, saveTrue, conf0.25)print(推理测试完成)