简介一份用于火焰识别与检测的标注数据集面向计算机视觉初学者和YOLO系列模型开发者主要解决火灾预警、视频监控等场景下的目标检测训练数据匮乏问题。包体共5260个文件压缩包大小约194MB其中包含1553张JPG火焰图片、1854个txt格式标签文件和1553个xml标注文件txt与xml可分别适配YOLO和VOC等常见训练框架。该数据集经YOLOv5实测mAP.5达到0.953mAP.5:.95为0.679说明标注质量与检测效果均较理想适合用于模型训练、算法验证及毕业设计课题。目前已有4901人学习下载配套标注齐全可直接按YOLO格式或VOC格式接入训练流程节省人工标注时间方便复现结果并对比不同网络结构的检测性能。1. 火焰数据集为什么检测模型总在真实火情里翻车问题可能出在数据上做过烟火识别的人基本都遇到过这个场面模型在测试集上 mAP 能跑到 0.9一到现场视频里就被路灯、红色卡车、夕阳反光反复打脸。问题往往不在模型结构而在你拿到的火焰数据集本身——很多公开数据集的火焰都是火焰但非火焰却是随便截的风景图负样本和真实监控场景完全脱节。这个标题里含标注好的标签是关键信息意味着你不用从零开始画框可以省掉最费人力的标注环节。但省力不等于无脑用一份火焰数据集拿到手先看什么、怎么转格式、训练时怎么划分这些步骤做不对标注白给。这篇文章就按我自己的使用路径从数据核验讲到训练验证再把最容易翻车的几个坑提前给你排掉。适合正在做火焰检测、烟火识别、或者拿现成数据集做算法验证的工程师按步骤走能省一两天试错时间。2. 火焰数据集的构成与标注格式先看懂标签再谈训练2.1 火焰检测的标注格式流派VOC、YOLO 与 COCO 怎么选火焰检测和数据集的格式是绑定关系。做目标检测标注格式主流有三种Pascal VOC 的 XML 文件、YOLO 的 TXT 文件、COCO 的 JSON 文件。拿到一份火焰数据集第一件事不是把图片丢进训练脚本而是打开标注文件看三样东西框的坐标系是绝对像素还是归一化的、类别名是单类还是多类、背景样本有没有单独标注。我一般先看 YOLO 格式的 txt因为现在检测模型基本都支持。它每一行对应一个目标五个数字class_id x_center y_center width height。对火焰检测来说x_center、y_center 是归一化后的中心点坐标width、height 是归一化后的框宽高取值都在 0 到 1 之间。打开长这样0 0.514286 0.460317 0.285714 0.365079 0 0.713333 0.260000 0.150000 0.320000第一列的 0 是火焰类别编号如果这份数据集只有火焰一类那所有标注文件里第一列应该都是 0。如果出现过 FLAME、fire、smoke 之类的多类标签训练时类别配置就要对得上。后面四个数要检查有没有超过 1 或者小于 0 的异常值——坐标越界通常意味着标注工具导出时出了 bug这种样本混进训练集会直接让损失值爆炸。VOC 格式则是 XML 文件每个目标一个bndbox节点存的是xmin, ymin, xmax, ymax绝对像素坐标需要你对着图片尺寸做归一化再喂给 YOLO 系模型。COCO 格式是 JSON 词典结构标注存在annotations列表里框的格式是[x, y, width, height]。三者的转换本质是数学换算但最容易错的不是换算公式而是 VOC 坐标开闭区间——XML 里的 xmax 在解码以后不等于图像宽度有时候要减 1。这份数据集如果号称含标注好的标签你要确认它给的是哪种格式再决定要不要写转换脚本。2.2 数据集内部分布核验图片数量、标注密度和背景多样性拿到数据集后先别急着训练。我会写几行代码把标注文件全部扫一遍统计几个基础指标图片总数、标注框总数、每张图的平均框数、框面积占比。火焰检测有个特点早期火灾中火焰往往只占画面很小一块区域如果数据集的框都很大很正部署到真实场景大概率性能打折。用 Python 的 glob 加 cv2 扫一遍逻辑很短import glob import cv2 txt_files glob.glob(labels/*.txt) total_boxes 0 small_boxes 0 for txt in txt_files: with open(txt, r) as f: lines f.readlines() total_boxes len(lines) for line in lines: parts line.strip().split() w float(parts[3]) h float(parts[4]) # 框面积占整图比例小于 0.1 的算是小目标 if w * h 0.1: small_boxes 1 print(f图片数: {len(txt_files)}) print(f总框数: {total_boxes}) print(f平均每图框数: {total_boxes / len(txt_files):.2f}) print(f小框占比: {small_boxes / total_boxes:.2f})这里small_boxes的阈值 0.1 是我常用的经验值火焰在监控画面里如果占比不足 10%检测难度会明显上台。跑完这组统计你能立刻判断这份数据集的边界如果平均每图框数小于 1说明大量图片是纯背景训练时要考虑负样本的采样方式如果小框占比很低那模型在早期火情上的表现可能虚高。这两组数字直接决定后面要不要做数据增强、要不要专门挑小框样本做重采样。2.3 视觉抽查不能省标注错位和类别污染是隐藏杀手统计只能发现数值异常视觉上有没有标错得靠人眼抽查。我见过一份火焰数据集几百张图中混入了电焊火花、舞台聚光灯标注框倒是画得整整齐齐但类别是错的——这类样本喂进去模型学到的不是火焰纹理而是亮的东西。抽查方法也很简单打开一张图把标注框画上去连续翻几十张找规律。import cv2 import glob img_files glob.glob(images/*.jpg) for img_path in img_files[:50]: # 抽查前50张 img cv2.imread(img_path) label_path img_path.replace(images, labels).replace(.jpg, .txt) with open(label_path, r) as f: for line in f: parts line.strip().split() x_c float(parts[1]) * img.shape[1] y_c float(parts[2]) * img.shape[0] w float(parts[3]) * img.shape[1] h float(parts[4]) * img.shape[0] x int(x_c - w / 2) y int(y_c - h / 2) cv2.rectangle(img, (x, y), (int(x w), int(y h)), (0, 0, 255), 2) cv2.imwrite(fcheck_{len(glob.glob(check_*))}.jpg, img)这段代码把 YOLO 坐标反算回像素坐标画框框就是模型要学习的监督信号。抽查时重点看两类一是框有没有偏大半圈把火焰周围的光晕全包进去光晕和火焰纹理完全不同框大了模型会误把橙色区域当特征二是负样本里有没有看起来很像火焰但不是的干扰项比如红色灯笼、橙色尾灯这类样本如果数量太少模型学不出判别边界。我自己的习惯是抽查 10% 的图片如果发现 30% 以上的框有错位或者类别混入这份数据集的标注质量就得打个问号宁可直接换一份。3. 把标注转成训练框架要的格式转换脚本与四个边界坑3.1 相同格式不同版本的转换陷阱很多人以为格式转换是复制粘贴的活实际上翻车概率最高的就在这里。同一个 YOLO 格式不同版本框架对类别编号的起点定义不同——有些从 0 开始有些从 1 开始。如果你的火焰数据集是 VOC XML 格式要转成 YOLO txt转换脚本写起来不长import xml.etree.ElementTree as ET import os def convert_voc_to_yolo(xml_path, output_dir, class_list): tree ET.parse(xml_path) root tree.getroot() img_width int(root.find(size/width).text) img_height int(root.find(size/height).text) yolo_lines [] for obj in root.findall(object): class_name obj.find(name).text if class_name not in class_list: continue class_id class_list.index(class_name) bbox obj.find(bndbox) xmin int(bbox.find(xmin).text) ymin int(bbox.find(ymin).text) xmax int(bbox.find(xmax).text) ymax int(bbox.find(ymax).text) x_center (xmin xmax) / 2 / img_width y_center (ymin ymax) / 2 / img_height box_w (xmax - xmin) / img_width box_h (ymax - ymin) / img_height yolo_lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) with open(os.path.join(output_dir, os.path.basename(xml_path).replace(.xml, .txt)), w) as f: f.write(\n.join(yolo_lines)) # 使用示例class_list 根据数据集的类别定义调整 convert_voc_to_yolo(data/annotations/001.xml, data/yolo_labels, [fire])这段脚本核心是把像素坐标归一化。(xmin xmax) / 2是框的中心点横坐标除以img_width后整张图宽度变成 1每个目标的位置就是 0 到 1 之间的小数。box_w和box_h分别是框的宽高比例。这里有个容易踩的细节VOC 的xmax和ymax在有的标注工具里代表的是尾部像素 1比如框覆盖了第 100 到 200 个像素有的工具写xmax200有的写xmax201。相差 1 个像素对最终 IoU 的影响几乎可以忽略但如果你是密集小目标场景这一个像素的偏移会导致框的中心点计算出偏差训练初期损失值会比预期高一点。3.2 类别编号与配置文件对齐转换完之后最让人崩溃的报错就是训练时AssertionError: class number out of range。原因通常是标签文件里有类别编号 5但你在配置文件里只声明了 4 个类别。火焰数据集如果包含 smoke 和 fire 两类class_list 应该是[fire, smoke]而不是[fire]不然所有 smoke 标签都会被脚本跳过、变成空文件。我建议在转换脚本里加一个统计记录每个类别实际出现的次数和数据集说明文档对照。类别数量对不上要么是数据集文档写错了要么是转换脚本的映射关系有问题。这一步排查花不了两分钟但能省下训练跑到一半才发现损失函数异常的修罗场。3.3 边界样本的框越界处理归一化坐标出现负值或者大于 1原因一般是标注的人把框拖到了图像边缘外或者数据增强时旋转导致框超出画布。JSON 转 YOLO 时最容易遇到。我处理这类样本的原则是框整体越界超过 50% 的直接删掉这条标注仅仅小部分越界的把坐标 clamp 到 0 到 1 之间。def clamp_bbox(x_center, y_center, w, h): x_min max(x_center - w / 2, 0) y_min max(y_center - h / 2, 0) x_max min(x_center w / 2, 1) y_max min(y_center h / 2, 1) new_w x_max - x_min new_h y_max - y_min return (x_min new_w / 2, y_min new_h / 2, new_w, new_h)clamp 之后框会稍微变小一点但方向和位置大体保留不算破坏监督信号。真正要警惕的是那些标注框只有几个像素大的样本——火焰目标再小框内也得有可辨认的纹理信息纯一两像素的框基本都是标注误差直接丢掉比保留更安全。3.4 数据集划分要按场景而非按文件随机这个坑最隐蔽。火焰数据集如果来自某个视频片段抽帧相邻帧的火焰形状几乎一致随机划分测试集会高估模型性能。同一个火焰从出现到蔓延连续 100 帧里前 80 帧当训练集、后 20 帧当测试集模型在测试集上的表现会异常优秀因为它在训练集里已经见过了同一团火的早期形态。我的习惯是按视频来源划分数据集。如果数据集说明里没提视频来源就看图片的文件名结构多数抽帧数据集的文件名里会带时间戳或者帧序号。划分之前先做一次文件名前缀分组把同一来源的图片全部塞进同一个子集。校验方法很简单训练集和测试集之间的平均像素差应该足够大如果一张图扣掉灰度均值后的残差和另一张图几乎一致说明两个集合里有重复帧。4. 用火焰数据集快速验证一个检测模型训练与效果评估4.1 从零配置一个火焰检测的最小训练命令拿到的数据集格式和划分都验过以后下一步就是跑通训练。常见做法是直接用 YOLO 系列的训练脚本它自带数据增强和并行策略省去自己造轮子的时间。你需要准备一份数据集描述文件里面写出训练集、验证集的图片路径和类别数量。# fire.yaml path: ./fire_dataset train: images/train val: images/val nc: 1 names: 0: fire这个 YAML 文件是数据集和模型之间的唯一桥梁。path是数据集根目录train和val填图片文件夹的相对路径nc是类别数量火焰检测只有一个类别所以是 1names的 0 号名称要和标签文件里的 class_id 一一对应。配置完成后启动训练python train.py --data fire.yaml --weights yolov8s.pt --img 640 --epochs 100 --batch-size 16--img 640表示输入图片在训练时会被缩放到 640 像素火焰这种小目标场景我建议至少用 640条件允许就上 768。--epochs先设 100 看看收敛曲线火焰数据集的样本量一般不大100 个 epoch 足够判断模型学得动学不动。--batch-size根据显存调整16 是一个起步值如果你的显卡显存不够降到 8 也能跑只是 batch norm 的统计量会稍微不稳定。4.2 训练过程中的关键观察点loss 曲线和验证集指标训练开始后不要只看最终 mAP要盯住三样东西box_loss、cls_loss、验证集的 Precision/Recall。火焰检测的难点是正负样本不均衡负样本没有火的图在数据集中可能占一半以上模型很容易出现不管有没有火都输出一个空白框的偷懒行为。这时候观察验证集的 Recall 比 Precision 更有意义——漏报一次火灾的代价远高于误报一次。火焰场景的 mAP 评估还有一个特殊点IoU 阈值要调。COCO 默认的 mAP 是 IoU 从 0.5 到 0.95 的平均值火焰目标边界模糊、光晕范围大人工标注的框本身就带主观性强求 IoU 0.75 以上的精确框不太现实。我看火焰模型的指标一般用mAP0.5为主、mAP0.5:0.95为辅前者衡量的是有没有找到火焰后者衡量的是框得准不准。如果mAP0.5在 0.9 以上但mAP0.5:0.95不到 0.5说明框偏大或偏小视觉上就是预测框总是往一个方向偏移。4.3 训练集增强策略针对火焰场景调增广参数火焰数据集规模普遍在几千张到几万张之间靠增强来扩充是必须的。但火焰检测的增强参数有一个反直觉的点颜色抖动不要开太强。火焰的颜色分布本身就比较复杂从橙黄到深红都有如果增强时把色调偏移调得太大模型会学到错误的颜色关联把偏红的静止物体也当成火焰。我常用的一组增强参数参考如下# augment 配置 hsv_h: 0.01 # 色调偏移调到很低火焰颜色不能乱变 hsv_s: 0.5 # 饱和度可以适当增强适应不同环境下的火 hsv_v: 0.4 # 明度增强适中 fliplr: 0.5 # 水平翻转火焰朝向不影响检测 scale: 0.5 # 尺度缩放模拟远近距离的火 mosaic: 1.0 # 马赛克增强默认开fliplr开 0.5 是因为火焰没有左右语义水平翻转不会产生错误样本。mosaic增强对火焰检测尤其重要——它把四张图拼在一起等于人为制造了多个小目标场景对提升小火焰的 Recall 帮助很大。hsv_h是这里最需要保守的参数火焰在视觉上最稳定的特征是内部亮白、外部橙红的渐变结构而不是某一种特定颜色色调偏移太大会让模型去记忆错误的颜色统计规律。5. 火焰数据集的避坑清单5 条实测翻车记录5.1 现象训练 Loss 正常下降但验证集 Recall 始终为 0原因数据集中所有负样本图片都在验证集里训练集几乎没有无火焰的图片。模型学到的规则是只要看到图像就输出一个框训练集里每个真实框都能被预测覆盖Loss 当然很低。但验证集里负样本一多模型找不到空的输出模式Recall 直接崩掉。解决重新划分数据集确保训练集、验证集、测试集里都有合理的正负样本比例。我通常要求负样本占比在 20% 到 40% 之间太少模型学不到拒绝能力太多模型会倾向于输出空检测。检查方法是统计训练集标签文件里空文件的个数YOLO 格式下没有目标时 txt 文件是 0 字节写个遍历统计一下就行。5.2 现象模型把红色消防栓、红色卡车识别成火焰原因数据集里的负样本是通用场景图片和实际部署场景的负样本差异太大。公开火焰数据集的负样本大部分是山林、草原、普通街景而工业场景里的红色物体非常多模型在没见过这些红色但不是火的样本时只能依据颜色判断。解决收集部署场景的负样本图片加入训练集重训。这个步骤没有任何模型技巧能替代——数据分布不匹配什么结构都白搭。一个可行的做法是把自己现场拍照的红色物体、橙色光照区域全部收进负样本文件夹至少加 500 张训练时和原数据集混合。5.3 现象标注框把火苗周围的大片光晕也包进去了原因标注人员的标准是先框住视觉上最亮的部分但火焰的光晕在图片里边界模糊不同标注员画的框差异巨大。框大了以后模型学到的是橙色渐变区域火焰而真实场景里橙色渐变可能是夕阳、灯光。解决清洗标注框统一标准为只框住火焰核心燃烧区域不框光晕。如果数据集的框普遍偏大可以用脚本把标注框按中心点缩小 20% 到 30%再人工复查一遍。不要试图靠 IoU 判断标注差异因为光晕的渐进边缘没有标准答案。5.4 现象同一个火焰在连续帧里被标成不同的类别原因数据集从视频抽帧火焰大小和形态逐帧变化分类标准没有统一。比如某帧火苗是明亮的小火标注成 fire下一帧火势变大冒烟又标注成 smoke结果就是同一个目标的两个类别在训练时互相竞争。解决火焰检测数据集尽量做成单类只在必要时区分明火和烟雾。多类别火焰检测在实际工程里会带来类别不均衡问题火焰目标一般远多于烟雾目标烟雾类别学不出来。我用过很多火焰数据集单类别的稳定性和可解释性都远好于多类别。5.5 现象训练时图片加载到一半直接报错退出原因数据集中存在损坏的图片文件或者某些图片的通道数不统一——有的是三通道彩色有的是四通道带 Alpha 的 PNG。火焰数据集通常来自网络爬取或者视频截帧这两种来源都有概率混入异常图片。解决训练前先跑一遍全量图片检查用 cv2.imread 打开所有图片如果返回 None 直接列入黑名单。同时检查图片尺寸是否为 0 或者单通道统一转成 RGB 三通道再进训练。import cv2 import glob corrupted [] for img_path in glob.glob(fire_dataset/images/*/*.jpg): img cv2.imread(img_path) if img is None: corrupted.append(img_path) continue if img.ndim ! 3: corrupted.append(img_path) if corrupted: print(f发现 {len(corrupted)} 张异常图片) for p in corrupted: print(p) else: print(所有图片正常)这段检查代码的核心是img is None判断和img.ndim ! 3判断前者捕获文件损坏后者捕获通道异常。数据集里少量异常图片的占比可能不到千分之一但训练脚本在 DataLoader 里遇到会直接抛异常中断相当于浪费一整晚的训练时间。6. 从静态检测到动态预警让火焰数据集发挥更大作用的一个验证方案数据集和模型验证完一个常见瓶颈就出现了单帧检测在真实场景里会产生大量误报和跳变——这帧有火、下一帧没有、再下一帧又有而真实业务要的是持续稳定的预警信号。我的做法是在检测模型后面加一个时间维度的确认机制用连续帧投票代替单帧判断这样即使单帧误报也不会直接触发报警。class FireAlertBuffer: def __init__(self, window_size5, threshold3): self.window_size window_size self.threshold threshold self.history [] def update(self, is_fire): self.history.append(is_fire) if len(self.history) self.window_size: self.history.pop(0) return sum(self.history) self.threshold # 使用示例每帧送入模型检测结果连续 5 帧中至少 3 帧有火才触发 alert_buffer FireAlertBuffer(window_size5, threshold3) for frame_result in video_stream: if alert_buffer.update(frame_result): print(触发火焰预警)window_size5表示看过去 5 帧threshold3表示其中至少 3 帧检出火焰才认为是真实火情这两个参数一个管响应速度、一个管误报率。窗口越大越稳定但对快速蔓延的火情响应越慢阈值越高误报越少但早期小火苗可能被漏掉。我做安防项目时常用 5 帧 3 票的配置做平衡部署在 15 帧每秒的摄像头下大约有 1 秒的确认延迟既能滤掉检测模型的单帧抖动又能在一秒内响应真实火情。帧间隔也需要根据实际帧率调整。监控视频通常接入后做抽帧处理如果每 3 秒才取一帧那 5 帧窗口代表 15 秒的观察期响应速度就不太够了要改成 3 帧 2 票这种短窗口。这套缓冲逻辑很轻量CPU 上跑毫无压力但它把检测模型的输出从松散的逐帧告警变成了稳定的状态机信号实际部署价值比单纯提 mAP 更直接。我自己的血泪教训是数据集指标再漂亮都不如在现场连续跑一晚验证来得踏实。火焰数据集的标注质量决定了模型的上限场景匹配决定了实际效果而时间维度的平滑机制决定了从算法到产品之间那层可靠性。希望这篇笔记能帮你在做火焰检测时少走几步弯路把省下来的时间花在真正影响落地效果的环节上。本文还有配套的精品资源点击获取