企业官网建设流程全解析

智慧化高点摄像山火烟雾检测数据集（并按照低、中详细标注烟雾浓度）。
主要针对初期山火，任何野火检测系统的最重要目标是在火势扩大之前及时检测到火灾。在初期阶段，野火由非火焰性的燃烧烟雾组成，热量相对较低。在这个阶段识别火灾能够提供最佳的抑制机会。在这个阶段通常看不到火焰；因此，任何旨在早期检测的野火检测系统必须集中在检测烟雾而不是火焰上。该数据集全部为山顶开阔区域架设的高点摄像头拍摄，共2890张图像，分辨率1920×1080，标注采用json格式，标注了每个烟雾的位置，烟雾浓度等级（低，中，高），共1.1GB
类别 图像数 标注数
low smoke 低密度 2365 2726
mid smoke 中密度 1227 1403
high smoke 高密度 350 393

智慧化高点摄像山火烟雾检测数据集

一、数据集参数表

二、数据集配置 & YOLOv11 训练代码

1. 环境安装命令

pipinstallultralytics opencv-python torch

2. 数据集配置文件mountain_smoke.yaml

path:./mountain_smoke_datasettrain:images/trainval:images/valnc:3names:['low smoke','mid smoke','high smoke']

3. 完整训练代码

fromultralyticsimportYOLOif__name__=="__main__":# 加载轻量化模型 YOLOv11nmodel=YOLO("yolov11n.pt")# 模型训练train_results=model.train(data="mountain_smoke.yaml",epochs=30,imgsz=1920,batch=4,device=0,workers=2,project="mountain_fire_smoke",name="yolov11n_smoke_level",patience=10,augment=True,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,fliplr=0.5,flipud=0.2,mosaic=1.0)# 模型精度验证metrics=model.val()print(f"mAP@0.5:{metrics.box.map50:.3f}")print(f"mAP@0.5-0.95:{metrics.box.map:.3f}")# 单张图片推理测试model.predict("test_smoke.jpg",save=True,conf=0.25)

4. 图像推理代码（查看浓度等级+坐标）

fromultralyticsimportYOLO model=YOLO("best.pt")results=model.predict("test.jpg",conf=0.25)forresinresults:forboxinres.boxes:cls_id=int(box.cls[0])conf=float(box.conf[0])x1,y1,x2,y2=map(int,box.xyxy[0])cls_name=model.names[cls_id]print(f"烟雾等级：{cls_name}| 置信度：{conf:.2f}| 坐标：{x1},{y1},{x2},{y2}")

三、应用场景

1. 林区高点视频监控防火：依托山顶立杆摄像头，7×24小时自动监测早期山火烟雾，实现火情前置预警。
2. 初期野火应急处置：针对无明火、仅产生烟雾的萌芽阶段火情快速识别，第一时间下达扑救指令，遏制火势蔓延。
3. 全域山林智慧消防：搭建区域一体化森林防火系统，批量接入高点摄像头，智能化分析烟雾浓度，分级推送预警信息。
4. 自然保护区防火管控：生态林区、森林公园、野外山地常态化防火监测，替代人工巡山，降低运维成本。
5. 火情分级预警管理：根据低/中/高烟雾浓度划分风险等级，匹配不同级别的应急响应方案。
6. 野外违规用火监测：识别林区焚烧、野外用火产生的烟雾，防范人为引发山火。