森林火灾这个事一旦蔓延开就不是人力能快速压住的了。真正有效的窗口期往往只有起火后的几分钟到十几分钟所以这几年从林场监控、铁塔摄像头到无人机巡航大家都在做一件事尽早发现烟火信号。而实现这个目标的核心技术手段就是目标检测模型。模型要落地数据就是地基数据质量直接决定模型在真实场景里敢不敢用。我最近整理完“第5期 森林火灾目标检测数据集”这一版重点补了远距离小目标、夜间红外、遮挡目标三类难样本同时对前几期标注边界模糊的问题做了系统性修正。这篇就把这套数据集的完整设计思路、标注规范、模型训练评估结果以及实际部署中踩过的坑一次写清楚给正在做烟火识别工程化的朋友一个可参考的落地样本。1. 数据集的整体设计与定位1.1 为什么单独做一个森林火灾目标检测数据集很多入门的人会想直接用开源的通用目标检测数据集不就行了比如COCO、VOC里面也有fire、smoke类别。但实际用来做森林火灾监测就会碰壁通用数据集里的烟火样本大多数是近距离、大目标、高清晰度的火灾照片而真实森林监控画面里火苗可能只有十几个像素烟雾是半透明的、和云朵背景混在一起前景还有大量树枝干扰。这种分布差异直接导致模型在通用数据集上训练后拿到林场实测误报率极高、召回率极低根本没法用。所以森林火灾目标检测数据集的核心价值不是“有没有烟火”而是“模拟真实监控条件”。第5期数据集的定位特别明确服务于森林防火预警系统中的早期烟火检测覆盖监控摄像头、无人机航拍、铁塔高点三种常见部署方式场景距离从近景几十米到远景数公里都有分布。数据集中远景样本占比超过60%小目标样本占总标注框数的45%以上目的就是把模型训练的注意力和真实部署拉齐。1.2 数据构成与场景覆盖第5期数据集总计包含约1.2万张标注图像其中正样本含烟或火约8000张负样本无烟火干扰图像约4000张。负样本不是凑数的它们是从林场监控录像、户外风景图中专门挑选的“近似烟火”干扰场景比如白云、晨雾、炊烟、逆光光晕、白色建筑这些是模型在实际使用中最容易误判的对象。场景覆盖是这一版的另一个重点。所有图像按拍摄环境做了分层标注元信息记录在文件命名和配套JSON中不强制写入模型训练标签维度包括拍摄视角高位固定监控、无人机俯拍、地面平视天气条件晴天、阴天、雨雾、夜间光照方向顺光、逆光、侧光地形背景林缘、山谷、草坡、岩石裸地目标距离近景目标占图高度1/3以上、中景1/10~1/3、远景小于1/10这套元信息非常关键。训练的时候你可以直接用全量数据但如果某个部署点位是无人机视角为主、夜间场景居多可以用元信息筛出子集做二次微调效果比盲目堆全量数据好很多。1.3 第5期迭代了什么第5期不是简单的扩充数量而是针对性迭代。前四期我踩过几个明显问题一是小目标标注不完整很多只有几个像素的烟点漏标等于变相告诉模型“小目标不重要”二是夜间可见光图像里烟火特征太弱标注存在大量模糊框三是红外图像完全没有覆盖。这一期做了三件核心调整。第一所有标注经过两轮独立标注加一轮交叉复核小目标漏标率从之前的约15%压到了3%以内。第二新增约2000张红外图像样本覆盖夜间林区监控和高空热成像两种常见场景。第三补充了被树干、山体局部遮挡的烟火样本约1200张这类样本在真实火情中非常常见但开源的火灾数据集几乎不关注。2. 目标类别体系与标注规范2.1 类别怎么定火焰与烟雾类别的定义直接影响模型的可用性。第5期数据集只设两个目标类别Fire火焰和Smoke烟雾。为什么不把烟和火合成一个类很多第一次做烟火识别的人会这么想反正报警就是有事。但实际不是这样。森林火灾早期往往先见烟后见火甚至在林下阴燃阶段只有烟没有火。如果把烟和火合为一类模型学到的特征就会被两种形态完全不同、尺度差异很大的目标拉扯导致“有火没烟不好检、有烟没火也不好检”。分开标注后你可以做二级决策检测到Fire直接高优先级报警检测到Smoke降级为预警人工复核画面。这在工程上更合理。另外红外图像中火焰特征和可见光差别很大烟雾在红外里反而可能不可见。所以类别体系在红外子集中简化为只看Fire不标Smoke。标注规范里把这个差异写清楚避免标注员在红外图里硬找烟雾轮廓标出一堆无效框。2.2 边界框标注的关键规则标注规则是数据集质量的生命线。第5期的边界框规则有几条硬性规定我结合之前几期的教训总结如下火焰标注框需要完整包住发光区域包括火焰上方的光晕但不能随意扩大。光晕和火焰本体在视觉上连续模型训练时需要学“发光即火”框得太紧会漏学习光晕特征框太松全是背景噪声。烟雾标注框只包住不透明或半透明的烟雾主体区域外沿的稀薄扩散部分不标记。原因很简单烟雾边缘是渐变的强行把半透明部分画进框里会让模型对边界极度困惑直接表现为训练loss不降。烟和火同时出现在画面时分别标注两个框。但如果火焰被浓烟包裹肉眼看不到下方火体边界只标Smoke不标Fire。这是为了控制标注的主观漂移。目标高度小于8像素不标注。8像素以下的目标在1080p画面里人眼都很难确认硬标只会制造噪声。最后一条8像素阈值是几次实验后定下来的。低于这个尺寸的烟点标注员之间的一致性很差同一张图不同人标出来的位置能差三四倍。与其让模型学一个抖动极大的标签不如先忽略掉。后续可以靠图像切片放大来处理这种极微小目标。2.3 复杂场景的特殊处理森林场景里有两类目标比较难处理被遮挡的烟火和透明烟柱。被遮挡的烟火标注时只画可见部分不允许推测遮挡区域后脑补完整轮廓。比如一团火苗被前面的树枝挡住了一半就框露出的一半即可。这是因为目标检测的标注必须与模型看到的信息一致模型看不到的部分不应该参与训练监督。如果你脑补完整框相当于告诉模型“那个位置有火”但图像特征里没有对应信息等于制造矛盾样本。透明烟柱的处理更讲究。低矮植被间的薄烟、清晨山谷里的轻雾状烟肉眼能看见但灰度值和背景差异极小。这类样本我保留但会在配套的标注文件中打上hard标记。训练时建议把hard样本单独作为难例微调集不要一开始就混入主训练集。我实测下来把hard样本先放一边、等模型AP稳定后再加入比一开始混合训练最终mAP能提升3~5个点。3. 数据划分思路与模型训练评估3.1 训练集/验证集/测试集怎么划数据划分看起来简单实际很容易踩坑。森林火灾数据大多来自连续视频抽帧如果按普通随机划分同一个视频片段的前后帧会同时出现在训练集和验证集中。这样模型在验证时相当于“开卷考试”表面指标很好一换全新场景立刻崩溃。第5期采用按场景分组的划分方式先把所有图像按视频源聚类再把整个簇的内容整体划分到训练集、验证集和测试集。其中训练集约9600张验证集约1200张测试集约1200张。测试集单独留出800张为“跨场景测试集”里面全部是训练中完全没见过的林区点位图像。我建议你拿到任何数据集的第一次评估都优先看跨场景测试集指标那才是部署到新点位时的真实预期。3.2 基线模型与关键参数我拿第5期数据分别跑了几个常见模型给大家一组可直接对比的基线数据模型输入分辨率mAP50mAP50-95单帧推理耗时GPUYOLOv8s640x6400.8720.531约3msYOLOv8m640x6400.8910.568约6msYOLOv8x640x6400.9030.583约12msRT-DETR-L640x6400.8840.554约9ms这组结果是默认参数下跑出来的没有做精细调优。可以看到在mAP50维度各模型差距不大都在0.87以上但mAP50-95差距明显说明复杂场景下的框质量差异还是有的模型上限更高。训练参数方面我推荐一组比较稳的起点配置imgsz640、batch32、epochs200、optimizerAdamW、lr0.001、weight_decay0.0005。数据增强我建议初始阶段只开mosaic0.5、fliplr0.5、轻微色彩扰动不要一上来就hsv强化和旋转90度。烟火目标对颜色和纹理变化比较敏感增强过猛会让早期训练发散后面还得回头调得不偿失。3.3 评估指标怎么看森林火灾检测里mAP只是参考业务上更该关注的是召回率和误报率。原因很简单漏报一次火情代价极高误报一次最多多跑一趟人工复核。根据第5期数据的测试结果YOLOv8m在置信度阈值0.25下Fire类别召回率0.93Smoke类别召回率0.88整体误报率约3.7%。这个误报率数字看着不高但换算到24小时持续运行的监控系统就麻烦了。一套100路的监控平台如果每路每10分钟一次误报每分钟就有10次假警推送很快值班人员就会把系统静音系统等同报废。所以阈值设置、报警策略、置信度校准跟模型本身一样需要认真调。Smoke类别召回率偏低是普遍现象根源是烟雾和天空、云层、晨雾在纹理特征上有大量重叠。第5期在基础训练之后额外用hard样本做了两轮微调才把Smoke召回率从0.82提到0.88。4. 模型部署实战误报来源与排除策略4.1 最常见的误报源头模型到了真正部署点位最大的挑战不是漏检而是误报高到你不敢信。林区监控里最典型的误报源是云和移动光影。白天一团白云从山脊飘过如果云的灰度分布恰好和烟雾相似模型很容易给出高置信度输出。尤其在高空俯拍的场景里镜头朝下时云不在视野里但镜头平视远方时云层几乎就是“天空中的白块”跟远处灰白的烟柱在特征空间非常接近。要压住这一类误报光靠换模型不够还得在数据里刻意加重云图样本的比例。第5期负样本里云图占了一大块就是为了逼模型学会区分“贴地的烟”和“天上的云”。另一个高频误报源是炊烟和灰尘。林场周边有村落、有施工道路炊烟从屋顶烟囱升起时形态、颜色和森林火灾烟差不多模型很难区分。这里我的经验是不要硬刚模型要在策略层解耦针对固定点位监控用区域屏蔽把已知的生活区、道路划为低优先级区域针对空中飞行的无人机巡检结合飞行动线和已知村落坐标过滤报警。数据能解决一部分问题但业务规则必须配合上。4.2 漏检痛点逆光、遮挡、极远小目标漏检最严重的情况集中在这几类逆光条件下的烟。太阳在目标背后时烟雾边缘被强光吞没整片画面灰蒙蒙一片人眼都看得费劲模型更难。针对这个问题可以在部署端对逆光时段单独做图像增强例如限制对比度自适应直方图均衡化CLAHE再进入检测模型。我实际测试过逆光样本单独走增强分支Smoke召回率能提升6~8个百分点。被树干遮挡的火苗。前面说过标注时只框可见部分这会导致模型对局部特征的学习要求更高。解决思路是增加这类遮挡样本并且推理时对图像做多尺度预测让模型既能看到全局上下文也能看到局部细节。第5期专门加了1200张遮挡样本就是为了逼模型从“透过树枝的橙黄色光斑”识别出火的存在。极远距离小目标。单靠整帧图像上的模型推理8像素以下的目标根本检测不到。工程上有两个常用补救方案。第一是图像切片把原图切成2x2或者4x4的子图分别送入模型再合并结果相当于变相提高输入分辨率。第二是多尺度融合在模型输入侧同时保留全图和局部放大图两路全程两路帧率可以不同小目标漏检率下降最明显。4.3 误重复报警与时间稳定性单帧检测模型直接在视频流里用会带来一个容易被忽视的问题目标一帧出现、一帧消失报警系统被反复触发值班员一小时内收到上百条相同的火警。排除这个问题不在于模型而在于时序后处理。我的做法是滑动窗口投票连续N帧中至少M帧检测到目标且位置重叠度高于阈值才触发报警。N取10~20M取N的一半以上。这套最简单的时间滤波可以砍掉超过90%的闪烁误报代价是延迟增加几秒。对林火预警来说几秒延迟完全可接受换来的是没人会把报警静音。5. 数据集本身的局限与后续扩展方向5.1 数据集的短板虽然第5期做了不少迭代但必须承认它还有明显局限。最大短板是正样本的“真实大火”图像不足。真实的森林火灾发展中期火线长、烟雾浓密、燃烧范围大这种画面难以获取数据集中占比低。但模型的部署价值恰恰体现在初期和中期都能可靠告警。如果训练数据里中期大火样本少了模型可能在火势变大后反而失稳。所以拿到数据集后建议自己再用公开渠道补充大火场景样本做二次微调哪怕只有几百张也很有帮助。第二个短板是检测灵敏度与算力预算的矛盾。数据集里大量小目标和红外样本意味着高精度推理需要更大的输入分辨率和更高的算力。在边缘设备上跑算力有限分辨率受限模型性能会明显下降。这不是数据集本身能解决的但在选型时要注意平衡。5.2 标注质量的自查方法文本标注界面容易让人产生信任错觉事实上标注错误极其常见。分布式训练数据时我强烈建议至少抽查5%的图像做人工复核重点看三类错误小目标漏标、框偏移大、类别混淆火标成烟。如果你想自动化一点可以用模型对训练集做一次预测把预测分数高但无标注框的区域全部筛出来复查这些区域极可能是漏标。这个方法我每次都用每次都能找出几十处硬错误。5.3 后续扩展从单帧检测到多帧联动数据集本身是静止图像标注但真实部署环境是视频流。如果后续有条件我建议把这一套数据集扩展到视频时序领域。具体做法是把连续帧抽出来构成带时间戳的片段标注出目标首次出现帧、目标大小变化、火势蔓延方向等信息。有了这类数据模型就能从单帧检测升级为时序预测将来可以做火势蔓延速度估计、烟羽走向预判这些对调度扑救力量非常有价值。基于第5期数据集下一步我打算做两件事一是给推理端接一个轻量级时序投票模块实测一下在不同延时档位下的综合报警准确率二是继续扩采夜间红外和无人机高空俯拍样本把Smoke类在远距离弱纹理场景里的召回率再往上提。做数据集成这件事永远没有做完的那一天每补一批真实场景数据模型在野外就少一分赌运气的成分。