简介这份资源面向从事火灾检测与安全监控的算法工程师、安防开发者及计算机视觉学习者基于ultralytics YOLO11实现烟雾目标检测用于及时发现火灾隐患。包内提供已标注的目标检测数据集同时包含YOLO格式txt标签与VOC格式xml标签共746张图像并已划分train、val、test三个子集附带data.yaml配置文件可直接用于YOLOv5、v8、v9、v10、v11、v12等算法训练类别为smoke烟雾。压缩包共约2000个文件以txt标签、xml标注、md说明文档、py训练与推理脚本为主另含少量cpp、js、yaml等工程文件整体约222.28MB目录结构清晰便于按模块检索与二次开发。资源还配有使用教程帮助读者快速跑通数据加载、模型训练与推理流程。目前已有150人学习下载适合需要烟雾检测方案、想快速复现实验或搭建火灾预警原型的读者参考。1. 烟雾检测这件事为什么我最后选了 YOLO11 而不是传统方案厂区仓库那套老监控值班师傅盯屏幕盯到眼花等肉眼看见明火基本已经晚了。真正要抢的是那几分钟——烟先起来火还没成势。传统做法是烟雾传感器加阈值报警问题是粉尘、水汽、蒸汽一多就误报装了几十个探头天天响最后被人为关掉等于没有。换成视觉方案后核心诉求就一句话从监控画面里把烟雾和火焰框出来越早越好误报越少越好。这份资源给的就是一条能直接跑通的路子——ultralytics 的 YOLO11 目标检测模型配好了火灾烟雾数据集还带了训练好的权重省掉从零标注和调参的时间。适合做安防、园区、仓储、电力巡检这类场景的工程师也适合想拿一个真实数据集练手 YOLO11 的人。下面我按自己拆包复现的顺序讲重点放在怎么用、参数怎么设、哪里容易翻车。2. 拆开这个包数据集结构、类别定义与 YOLO11 选型理由2.1 数据集长什么样类别怎么定的火灾烟雾检测的数据集质量比模型结构更决定成败。这个包里数据集按 YOLO 标准格式组织常见结构是 images 和 labels 两个平行目录各自再分 train、val图片和同名 txt 标签一一对应。标签每行是class x_center y_center width height坐标全部归一化到 0 到 1 之间。类别一般就两类smoke 和 fire有的版本会拆得更细比如浓烟、明火、阴燃但类别越多单类样本越少小目标越难学。先别急着训练第一步是核对数据。我一般会跑一段脚本统计类别分布和图片尺寸心里有数再动手。import os from collections import Counter from pathlib import Path # 指向解压后的数据集根目录 root Path(fire_dataset) for split in [train, val]: label_dir root / labels / split counter Counter() empty 0 for txt in label_dir.glob(*.txt): lines txt.read_text().strip().splitlines() if not lines: empty 1 continue for line in lines: cls int(line.split()[0]) # 每行第一个字段是类别 id counter[cls] 1 print(split, 类别分布:, dict(counter), 空标签数:, empty)这段脚本做三件事遍历标签目录、统计每个类别的框数量、统计空标签文件。空标签不是错误它代表这张图里没有目标属于负样本对降低误报有用但如果空标签占比超过三成说明数据里混了太多无关背景图得回头筛。类别分布如果严重倾斜比如 fire 只有 smoke 的十分之一训练时就要考虑给 fire 加权或者补采样。2.2 为什么是 YOLO11而不是 YOLOv8 或两阶段检测器选 YOLO11 有几个现实理由。第一它属于 ultralytics 同一套 API从 YOLOv8 迁过来几乎零成本model.train()、model.predict()的调用方式一致老代码改个权重名就能跑。第二YOLO11 在骨干和颈部做了结构优化同等精度下参数量和计算量更小对边缘设备友好——火灾监控往往要部署在 Jetson 或者带算力的 NVR 上模型轻一点帧率就稳一点。第三单阶段检测器推理快烟雾这种目标不需要两阶段那种精细的候选框回归速度优先更合理。两阶段检测器像 Faster R-CNN 精度不差但推理慢实时监控场景下延迟高而且部署链路更重。YOLO 系列在烟雾火焰这种纹理模糊、边界不清的目标上靠的是多尺度特征融合YOLO11 的 neck 部分对小目标响应更好早期的小股烟雾更容易被捕捉到。提示如果手头已经有 YOLOv8 的训练脚本不用重写把模型配置从yolov8n.pt换成yolo11n.pt即可其余超参可以先沿用再微调。2.3 训练好的模型怎么验证是不是能用包里带的训练好权重别直接信先拿自己的图跑一遍看效果。用 ultralytics 的命令行或者 Python 都行。# 用训练好的权重对单张图或整个目录做推理 yolo predict modelbest.pt source./test_images conf0.25 saveTrueconf0.25是置信度阈值烟雾检测里这个值很关键。调太低蒸汽、灰尘全被框成烟雾误报爆炸调太高早期淡烟漏检。我一般先在 0.25 跑一遍看召回再往上试 0.4、0.5找误报和漏报的平衡点。saveTrue会把带框的结果图存下来方便肉眼核对。如果发现大量误报集中在某个场景比如反光地面、白色墙面那说明训练集里这类负样本不够得补。3. 从零跑通训练环境、配置与关键参数3.1 环境安装与那个经典的 ultralytics 报错装 ultralytics 最常翻车的地方就是版本冲突。很多人直接pip install ultralytics报could not find a version that satisfies the requirement ultralytics原因通常有两个Python 版本太老或者 pip 源里没有对应 wheel。ultralytics 现在要求 Python 3.8 以上推荐 3.10 或 3.11。另一个坑是 torch 没装对CPU 版和 CUDA 版混装导致 ultralytics 装上了但一跑就报错。稳妥的做法是先建虚拟环境再按顺序装。# 建一个干净的虚拟环境避免和系统包打架 python -m venv fire_env source fire_env/bin/activate # Windows 用 fire_env\Scripts\activate # 先装匹配 CUDA 的 torch再去装 ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics先装 torch 再装 ultralytics是因为 ultralytics 会检查 torch 版本顺序反了它可能拉一个不匹配的 CPU 版覆盖掉。cu121对应 CUDA 12.1具体版本按自己显卡驱动来用nvidia-smi看驱动支持的 CUDA 上限。装完跑yolo checks能打印环境自检GPU 是否可用一目了然。3.2 data.yaml 怎么写路径坑在哪YOLO 训练靠一个 data.yaml 描述数据集位置和类别。这个文件写错训练直接起不来而且报错信息往往很含糊。# data.yaml path: /home/user/fire_dataset # 数据集根目录绝对路径最稳 train: images/train # 相对 path 的训练图目录 val: images/val # 相对 path 的验证图目录 nc: 2 # 类别数量 names: # 类别名顺序必须和标签里的 id 对应 0: smoke 1: firepath用绝对路径别用相对路径否则从不同目录启动训练时找不到数据。names的顺序必须和标签文件里类别 id 严格对应id 0 是 smoke 就不能写成 fire否则模型学出来的类别全反。nc要和 names 条目数一致多一个少一个都会报维度错误。3.3 训练命令与超参怎么调训练入口很简洁但超参决定成败。yolo detect train \ modelyolo11n.pt \ # 从预训练权重起步小数据集必须迁移学习 datadata.yaml \ epochs100 \ # 烟雾数据一般 100 到 200 轮够用 imgsz640 \ # 输入尺寸边缘部署可降到 416 batch16 \ # 按显存调爆显存就减半 lr00.01 \ # 初始学习率 patience20 \ # 20 轮没提升就早停省时间 projectruns/fire \ # 输出目录 nameexp1modelyolo11n.pt里的 n 是 nano 版最轻适合边缘设备如果服务器算力足、追求精度换yolo11s.pt或yolo11m.pt。imgsz是输入分辨率烟雾目标往往占画面比例小分辨率太低会丢细节640 是常用起点显存不够再降。batch爆显存是最常见的翻车报 CUDA out of memory 就把 batch 减半或者把 imgsz 降到 512。patience早停能省大量时间验证集指标连续 20 轮不涨就停避免过拟合。训练过程中重点看两个指标mAP50 和 mAP50-95。mAP50 是 IoU 阈值 0.5 下的平均精度反映能不能框到mAP50-95 更严格反映框得准不准。烟雾边界模糊mAP50-95 通常比 mAP50 低不少这是正常的别因为 mAP50-95 低就以为训练失败。3.4 训练完怎么导出和部署训练完的权重在runs/fire/exp1/weights/下best.pt是验证集最优last.pt是最后一轮。部署时按目标平台导出。# 导出 ONNX通用性最好适合大多数推理框架 yolo export modelbest.pt formatonnx imgsz640 # 导出 TensorRTNVIDIA 边缘设备上速度最快 yolo export modelbest.pt formatengine halfTrue device0ONNX 适合跨平台TensorRT 在 Jetson 这类设备上能榨出最高帧率halfTrue用 FP16 精度换速度精度损失通常可接受。导出后建议拿几张测试图对比导出前后的检测结果确认没有精度掉太多。4. 避坑与排查烟雾检测里那些血泪经验4.1 误报满天飞蒸汽和烟雾分不清现象模型把开水房蒸汽、清晨雾气、白色墙面反光全框成 smoke报警响个不停。原因训练集里负样本不足模型没见过这些像烟但不是烟的场景把颜色和纹理特征当成了烟雾的充分条件。解决专门收集误报场景的图作为负样本加入训练集标签留空重新训练。负样本比例控制在总样本的两到三成能显著压低误报。另外推理时把 conf 从 0.25 提到 0.4 到 0.5也能过滤掉一批低置信度的假阳性。4.2 小目标漏检远处刚起的烟看不见现象近处浓烟框得很准画面远处刚冒的一缕淡烟完全没反应。原因输入分辨率不够小目标在特征图上只剩几个像素下采样后信息丢失。解决把 imgsz 从 640 提到 960 甚至 1280代价是推理变慢、显存占用上升。另一个办法是在数据增强里开启 mosaic 和 scale让模型多见小目标。如果部署设备算力有限可以考虑切图推理把大画面切成小块分别检测再合并。4.3 训练 loss 不降或者直接 NaN现象训练几轮后 loss 变成 nan或者一直卡在高位不下降。原因学习率太大、数据标签有非法值坐标超出 0 到 1、或者某张图标签格式错误。解决先把 lr0 从 0.01 降到 0.001 试再写脚本校验所有标签坐标必须在 0 到 1 之间宽高必须大于 0。标签里出现负数或者大于 1 的值训练必然崩。校验脚本遍历每个 txt发现越界就打印文件名逐个修。4.4 验证集指标虚高上线就拉胯现象验证集 mAP 很漂亮实际部署后效果差一大截。原因训练集和验证集来自同一批视频抽帧画面高度相似验证集没有真正代表线上分布。解决划分数据集时按视频或按时间段切分别随机抽帧保证验证集里的场景训练时没见过。如果线上有多个摄像头尽量让验证集覆盖不同摄像头、不同光照条件。4.5 显存爆了batch 调不下去现象报 CUDA out of memory减 batch 还是爆。原因imgsz 太大或者同时开了太多数据加载进程。解决优先降 imgsz它对显存的影响是平方级的640 降到 416 显存能省一半以上。其次把workers调小数据加载进程太多也会占显存。还可以开梯度累积用小 batch 模拟大 batch 的效果nbs参数控制。5. 进阶技巧把误报压到最低的几个实操手段训练跑通只是及格线真正上线要解决的是误报率。我自己的习惯是模型训完之后一定要做一轮负样本压力测试——专门找一堆绝对不该报警的图蒸汽、白云、灰尘、橙色灯光全喂给模型看它框出多少。框出来的每一张都加进负样本重训。这个循环走两三遍误报能压下去一大截。第二个手段是时序过滤。单帧检测难免抖动同一位置连续多帧都检出烟雾才触发报警能过滤掉大量瞬时误报。实现上用一个简单的滑动窗口记录最近 N 帧的检测框IoU 重叠超过阈值的累计计数超过 M 帧才确认。这段逻辑不复杂但效果立竿见影。# 简化的时序确认逻辑连续多帧命中才报警 from collections import deque history deque(maxlen10) # 保留最近 10 帧的检测结果 def confirm_alarm(detections, iou_thresh0.5, min_hits3): history.append(detections) if len(history) min_hits: return False # 统计最近帧里与当前框重叠的命中次数 hits 0 for prev in list(history)[:-1]: for d in prev: for cur in detections: if iou(d, cur) iou_thresh: hits 1 return hits min_hitsmaxlen10控制窗口长度min_hits3是确认阈值iou_thresh判断是不是同一个目标。参数按帧率和场景调帧率高可以适当加大窗口。这套逻辑对烟雾这种持续存在的目标特别有效对一闪而过的干扰几乎免疫。第三个手段是分级报警。把置信度分成几档高置信度直接报警中置信度标记待确认低置信度忽略。配合人工复核界面值班人员只需要看中高置信度的推送负担小也不会漏掉真警。最后一个容易被忽略的点是模型更新。火灾场景会变季节、设备、装修都会改变画面分布模型不是训一次管一辈子。我一般每季度拿新数据跑一次验证指标掉了就补数据重训。从那以后我每次上线前都强制走一遍负样本压力测试和时序过滤验证宁可多花半天也不想半夜被误报电话叫醒。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/25 11:54:21 · 阅读 1.2k 基于YOLO11的火灾烟雾检测实战：从数据集到部署的避坑指南
简介这份资源面向从事火灾检测与安全监控的算法工程师、安防开发者及计算机视觉学习者基于ultralytics YOLO11实现烟雾目标检测用于及时发现火灾隐患。包内提供已标注的目标检测数据集同时包含YOLO格式txt标签与VOC格式xml标签共746张图像并已划分train、val、test三个子集附带data.yaml配置文件可直接用于YOLOv5、v8、v9、v10、v11、v12等算法训练类别为smoke烟雾。压缩包共约2000个文件以txt标签、xml标注、md说明文档、py训练与推理脚本为主另含少量cpp、js、yaml等工程文件整体约222.28MB目录结构清晰便于按模块检索与二次开发。资源还配有使用教程帮助读者快速跑通数据加载、模型训练与推理流程。目前已有150人学习下载适合需要烟雾检测方案、想快速复现实验或搭建火灾预警原型的读者参考。1. 烟雾检测这件事为什么我最后选了 YOLO11 而不是传统方案厂区仓库那套老监控值班师傅盯屏幕盯到眼花等肉眼看见明火基本已经晚了。真正要抢的是那几分钟——烟先起来火还没成势。传统做法是烟雾传感器加阈值报警问题是粉尘、水汽、蒸汽一多就误报装了几十个探头天天响最后被人为关掉等于没有。换成视觉方案后核心诉求就一句话从监控画面里把烟雾和火焰框出来越早越好误报越少越好。这份资源给的就是一条能直接跑通的路子——ultralytics 的 YOLO11 目标检测模型配好了火灾烟雾数据集还带了训练好的权重省掉从零标注和调参的时间。适合做安防、园区、仓储、电力巡检这类场景的工程师也适合想拿一个真实数据集练手 YOLO11 的人。下面我按自己拆包复现的顺序讲重点放在怎么用、参数怎么设、哪里容易翻车。2. 拆开这个包数据集结构、类别定义与 YOLO11 选型理由2.1 数据集长什么样类别怎么定的火灾烟雾检测的数据集质量比模型结构更决定成败。这个包里数据集按 YOLO 标准格式组织常见结构是 images 和 labels 两个平行目录各自再分 train、val图片和同名 txt 标签一一对应。标签每行是class x_center y_center width height坐标全部归一化到 0 到 1 之间。类别一般就两类smoke 和 fire有的版本会拆得更细比如浓烟、明火、阴燃但类别越多单类样本越少小目标越难学。先别急着训练第一步是核对数据。我一般会跑一段脚本统计类别分布和图片尺寸心里有数再动手。import os from collections import Counter from pathlib import Path # 指向解压后的数据集根目录 root Path(fire_dataset) for split in [train, val]: label_dir root / labels / split counter Counter() empty 0 for txt in label_dir.glob(*.txt): lines txt.read_text().strip().splitlines() if not lines: empty 1 continue for line in lines: cls int(line.split()[0]) # 每行第一个字段是类别 id counter[cls] 1 print(split, 类别分布:, dict(counter), 空标签数:, empty)这段脚本做三件事遍历标签目录、统计每个类别的框数量、统计空标签文件。空标签不是错误它代表这张图里没有目标属于负样本对降低误报有用但如果空标签占比超过三成说明数据里混了太多无关背景图得回头筛。类别分布如果严重倾斜比如 fire 只有 smoke 的十分之一训练时就要考虑给 fire 加权或者补采样。2.2 为什么是 YOLO11而不是 YOLOv8 或两阶段检测器选 YOLO11 有几个现实理由。第一它属于 ultralytics 同一套 API从 YOLOv8 迁过来几乎零成本model.train()、model.predict()的调用方式一致老代码改个权重名就能跑。第二YOLO11 在骨干和颈部做了结构优化同等精度下参数量和计算量更小对边缘设备友好——火灾监控往往要部署在 Jetson 或者带算力的 NVR 上模型轻一点帧率就稳一点。第三单阶段检测器推理快烟雾这种目标不需要两阶段那种精细的候选框回归速度优先更合理。两阶段检测器像 Faster R-CNN 精度不差但推理慢实时监控场景下延迟高而且部署链路更重。YOLO 系列在烟雾火焰这种纹理模糊、边界不清的目标上靠的是多尺度特征融合YOLO11 的 neck 部分对小目标响应更好早期的小股烟雾更容易被捕捉到。提示如果手头已经有 YOLOv8 的训练脚本不用重写把模型配置从yolov8n.pt换成yolo11n.pt即可其余超参可以先沿用再微调。2.3 训练好的模型怎么验证是不是能用包里带的训练好权重别直接信先拿自己的图跑一遍看效果。用 ultralytics 的命令行或者 Python 都行。# 用训练好的权重对单张图或整个目录做推理 yolo predict modelbest.pt source./test_images conf0.25 saveTrueconf0.25是置信度阈值烟雾检测里这个值很关键。调太低蒸汽、灰尘全被框成烟雾误报爆炸调太高早期淡烟漏检。我一般先在 0.25 跑一遍看召回再往上试 0.4、0.5找误报和漏报的平衡点。saveTrue会把带框的结果图存下来方便肉眼核对。如果发现大量误报集中在某个场景比如反光地面、白色墙面那说明训练集里这类负样本不够得补。3. 从零跑通训练环境、配置与关键参数3.1 环境安装与那个经典的 ultralytics 报错装 ultralytics 最常翻车的地方就是版本冲突。很多人直接pip install ultralytics报could not find a version that satisfies the requirement ultralytics原因通常有两个Python 版本太老或者 pip 源里没有对应 wheel。ultralytics 现在要求 Python 3.8 以上推荐 3.10 或 3.11。另一个坑是 torch 没装对CPU 版和 CUDA 版混装导致 ultralytics 装上了但一跑就报错。稳妥的做法是先建虚拟环境再按顺序装。# 建一个干净的虚拟环境避免和系统包打架 python -m venv fire_env source fire_env/bin/activate # Windows 用 fire_env\Scripts\activate # 先装匹配 CUDA 的 torch再去装 ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics先装 torch 再装 ultralytics是因为 ultralytics 会检查 torch 版本顺序反了它可能拉一个不匹配的 CPU 版覆盖掉。cu121对应 CUDA 12.1具体版本按自己显卡驱动来用nvidia-smi看驱动支持的 CUDA 上限。装完跑yolo checks能打印环境自检GPU 是否可用一目了然。3.2 data.yaml 怎么写路径坑在哪YOLO 训练靠一个 data.yaml 描述数据集位置和类别。这个文件写错训练直接起不来而且报错信息往往很含糊。# data.yaml path: /home/user/fire_dataset # 数据集根目录绝对路径最稳 train: images/train # 相对 path 的训练图目录 val: images/val # 相对 path 的验证图目录 nc: 2 # 类别数量 names: # 类别名顺序必须和标签里的 id 对应 0: smoke 1: firepath用绝对路径别用相对路径否则从不同目录启动训练时找不到数据。names的顺序必须和标签文件里类别 id 严格对应id 0 是 smoke 就不能写成 fire否则模型学出来的类别全反。nc要和 names 条目数一致多一个少一个都会报维度错误。3.3 训练命令与超参怎么调训练入口很简洁但超参决定成败。yolo detect train \ modelyolo11n.pt \ # 从预训练权重起步小数据集必须迁移学习 datadata.yaml \ epochs100 \ # 烟雾数据一般 100 到 200 轮够用 imgsz640 \ # 输入尺寸边缘部署可降到 416 batch16 \ # 按显存调爆显存就减半 lr00.01 \ # 初始学习率 patience20 \ # 20 轮没提升就早停省时间 projectruns/fire \ # 输出目录 nameexp1modelyolo11n.pt里的 n 是 nano 版最轻适合边缘设备如果服务器算力足、追求精度换yolo11s.pt或yolo11m.pt。imgsz是输入分辨率烟雾目标往往占画面比例小分辨率太低会丢细节640 是常用起点显存不够再降。batch爆显存是最常见的翻车报 CUDA out of memory 就把 batch 减半或者把 imgsz 降到 512。patience早停能省大量时间验证集指标连续 20 轮不涨就停避免过拟合。训练过程中重点看两个指标mAP50 和 mAP50-95。mAP50 是 IoU 阈值 0.5 下的平均精度反映能不能框到mAP50-95 更严格反映框得准不准。烟雾边界模糊mAP50-95 通常比 mAP50 低不少这是正常的别因为 mAP50-95 低就以为训练失败。3.4 训练完怎么导出和部署训练完的权重在runs/fire/exp1/weights/下best.pt是验证集最优last.pt是最后一轮。部署时按目标平台导出。# 导出 ONNX通用性最好适合大多数推理框架 yolo export modelbest.pt formatonnx imgsz640 # 导出 TensorRTNVIDIA 边缘设备上速度最快 yolo export modelbest.pt formatengine halfTrue device0ONNX 适合跨平台TensorRT 在 Jetson 这类设备上能榨出最高帧率halfTrue用 FP16 精度换速度精度损失通常可接受。导出后建议拿几张测试图对比导出前后的检测结果确认没有精度掉太多。4. 避坑与排查烟雾检测里那些血泪经验4.1 误报满天飞蒸汽和烟雾分不清现象模型把开水房蒸汽、清晨雾气、白色墙面反光全框成 smoke报警响个不停。原因训练集里负样本不足模型没见过这些像烟但不是烟的场景把颜色和纹理特征当成了烟雾的充分条件。解决专门收集误报场景的图作为负样本加入训练集标签留空重新训练。负样本比例控制在总样本的两到三成能显著压低误报。另外推理时把 conf 从 0.25 提到 0.4 到 0.5也能过滤掉一批低置信度的假阳性。4.2 小目标漏检远处刚起的烟看不见现象近处浓烟框得很准画面远处刚冒的一缕淡烟完全没反应。原因输入分辨率不够小目标在特征图上只剩几个像素下采样后信息丢失。解决把 imgsz 从 640 提到 960 甚至 1280代价是推理变慢、显存占用上升。另一个办法是在数据增强里开启 mosaic 和 scale让模型多见小目标。如果部署设备算力有限可以考虑切图推理把大画面切成小块分别检测再合并。4.3 训练 loss 不降或者直接 NaN现象训练几轮后 loss 变成 nan或者一直卡在高位不下降。原因学习率太大、数据标签有非法值坐标超出 0 到 1、或者某张图标签格式错误。解决先把 lr0 从 0.01 降到 0.001 试再写脚本校验所有标签坐标必须在 0 到 1 之间宽高必须大于 0。标签里出现负数或者大于 1 的值训练必然崩。校验脚本遍历每个 txt发现越界就打印文件名逐个修。4.4 验证集指标虚高上线就拉胯现象验证集 mAP 很漂亮实际部署后效果差一大截。原因训练集和验证集来自同一批视频抽帧画面高度相似验证集没有真正代表线上分布。解决划分数据集时按视频或按时间段切分别随机抽帧保证验证集里的场景训练时没见过。如果线上有多个摄像头尽量让验证集覆盖不同摄像头、不同光照条件。4.5 显存爆了batch 调不下去现象报 CUDA out of memory减 batch 还是爆。原因imgsz 太大或者同时开了太多数据加载进程。解决优先降 imgsz它对显存的影响是平方级的640 降到 416 显存能省一半以上。其次把workers调小数据加载进程太多也会占显存。还可以开梯度累积用小 batch 模拟大 batch 的效果nbs参数控制。5. 进阶技巧把误报压到最低的几个实操手段训练跑通只是及格线真正上线要解决的是误报率。我自己的习惯是模型训完之后一定要做一轮负样本压力测试——专门找一堆绝对不该报警的图蒸汽、白云、灰尘、橙色灯光全喂给模型看它框出多少。框出来的每一张都加进负样本重训。这个循环走两三遍误报能压下去一大截。第二个手段是时序过滤。单帧检测难免抖动同一位置连续多帧都检出烟雾才触发报警能过滤掉大量瞬时误报。实现上用一个简单的滑动窗口记录最近 N 帧的检测框IoU 重叠超过阈值的累计计数超过 M 帧才确认。这段逻辑不复杂但效果立竿见影。# 简化的时序确认逻辑连续多帧命中才报警 from collections import deque history deque(maxlen10) # 保留最近 10 帧的检测结果 def confirm_alarm(detections, iou_thresh0.5, min_hits3): history.append(detections) if len(history) min_hits: return False # 统计最近帧里与当前框重叠的命中次数 hits 0 for prev in list(history)[:-1]: for d in prev: for cur in detections: if iou(d, cur) iou_thresh: hits 1 return hits min_hitsmaxlen10控制窗口长度min_hits3是确认阈值iou_thresh判断是不是同一个目标。参数按帧率和场景调帧率高可以适当加大窗口。这套逻辑对烟雾这种持续存在的目标特别有效对一闪而过的干扰几乎免疫。第三个手段是分级报警。把置信度分成几档高置信度直接报警中置信度标记待确认低置信度忽略。配合人工复核界面值班人员只需要看中高置信度的推送负担小也不会漏掉真警。最后一个容易被忽略的点是模型更新。火灾场景会变季节、设备、装修都会改变画面分布模型不是训一次管一辈子。我一般每季度拿新数据跑一次验证指标掉了就补数据重训。从那以后我每次上线前都强制走一遍负样本压力测试和时序过滤验证宁可多花半天也不想半夜被误报电话叫醒。希望帮到你。本文还有配套的精品资源点击获取