基于yolov8实现火焰检测火灾检测明火检测源码+模型+训练日志+演示视频+项目说明.zip

## 简介 该存储库包含使用YOLOv8在实时视频中跟踪和检测火灾和烟雾的代码。该项目使用预先训练的YOLOv8模型来识别给定视频帧中是否存在火灾和烟雾，并在随后的帧中进行跟踪。 https://user-images.githubusercontent.com/22887323/216410880-297f4408-8d22-47a1-b894-6f3f3d8109fb.mp4 ## 运行代码需要以下程序包 ultralytics roboflow CUDA (if using GPU for acceleration) ## 训练自定义数据集 1. Install YOLOv8 2. CLI Basics 3. Inference with Pre-trained COCO Model 4. Roboflow Universe 5. Preparing a custom dataset 6. Custom Training 7. Validate Custom Model 8. Inference with Custom Model ## 自定义数据集 使用roboflow对火灾和烟雾图像进行注释。 示例notebook显示了我们如何使用API添加Roboflow工作流项目来下载注释数据集以训练模型。 使用以下代码下载数据集： from roboflow import Roboflow rf = Roboflow(api_key="xxxxxxxxxxxxxxxx") project = rf.workspace("custom-thxhn").project("fire-wrpgm") dataset = project.version(8).download("yolov8") ## 评估 The below chart show the loss , mAP (mean Average Precision) score for the train, test,validation set.  ### confusion Matrix :  ## 推理 Run the model using below command: `!yolo task=detect mode=predict model=<path to weight file> conf=0.25 source=<path to source image or video> save=True` The --source argument is required to specify the path to the input video. the above command save your weight in run/predict, which will contain the annotated frames with fire and smoke detections. ## 结果  该项目能够以高精度实时视频检测火灾和烟雾。可以通过在自定义数据集上微调YOLOv8模型来提高检测和跟踪性能。 它可以作为更先进项目的起点，并可以很容易地集成到更大的火灾和烟雾监测系统中。 ## 参考 - [YOLOv8 paper](https://arxiv.org/abs/2004.10934) - [YOLOv8 PyTorch implementation](https://github.com/ultralytics/yolov5) - [YOLOv8 weights conversion script](https://github.com/ultralytics/yolov5/blob/master/weights/convert.py)