binma1231. 项目概述
室内火灾检测是计算机视觉在公共安全领域的重要应用场景。相比传统烟雾传感器，基于深度学习的目标检测算法能够更早发现火情，减少误报率。本文将详细介绍如何使用YOLOv8模型训练一个高性能的室内火灾检测系统。
这个项目使用的数据集包含3,380张416×416像素的室内场景图像，标注了3类目标：真实火灾(FiRE-indoor)、干扰光源(light)和无火情(non-fire)。数据集已按7:2:1的比例划分为训练集、验证集和测试集，并提供了YOLO、VOC和COCO三种标注格式，方便不同框架使用。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备与数据配置
2.1 硬件与软件环境
推荐使用以下配置进行模型训练：
- GPU：NVIDIA RTX 3090或更高（至少8GB显存）
- CUDA 11.7及以上
- cuDNN 8.5.0及以上
- Python 3.8-3.10
- PyTorch 1.12.0及以上
安装YOLOv8所需环境：
bash复制pip install ultralytics
pip install opencv-python
pip install matplotlib
2.2 数据集目录结构
按照以下结构组织数据集：
code复制Indoor_Fire_Dataset/
├── images/
│ ├── train/ # 2366张
│ ├── val/ # 676张
│ └── test/ # 338张
├── labels/ # YOLO格式标注
│ ├── train/
│ ├── val/
│ └── test/
└── data.yaml # 数据集配置文件
data.yaml文件内容示例：
yaml复制path: ./Indoor_Fire_Dataset
train: images/train
val: images/val
test: images/test
nc: 3
names:
0: FiRE-indoor
1: light
2: non-fire
3. YOLOv8模型训练
3.1 模型选择与初始化
YOLOv8提供了多种规模的预训练模型：
- YOLOv8n (nano)