人工智能计算机视觉预训练模型系列第 6 期：烟火检测模型实测记录

烟火检测属于目标检测任务。相比简单判断画面中“有没有火”，目标检测模型还需要给出烟雾或火焰所在的位置，这样才能进一步联动告警、视频回溯、区域管控和应急处置。 本期训练与测试使用 RTX 3080 显卡，数据集共包含 13272 张图片，约 1.6 万个目标。其中训练集包含 11111 张图片、约 1.3 万个目标；验证集包含 1438 张图片、约 0.2 万个目标；测试集包含 723 张图片、约 0.1 万个目标。 | 项目 | 内容 | | --- | --- | | 系列期数 | 第 6 期 | | 本期主题 | 烟火检测 | | 任务类型 | 目标检测 | | 显卡型号 | RTX 3080 | | 数据集规模 | 13272 张图片，约 1.6 万个目标 | | 训练集规模 | 11111 张图片，约 1.3 万个目标 | | 验证集规模 | 1438 张图片，约 0.2 万个目标 | | 测试集规模 | 723 张图片，约 0.1 万个目标 | 下面是本次烟火检测任务的训练输入样例。实际场景中，火焰和烟雾可能出现在不同尺度、不同光照和不同背景里，模型需要在这些变化中学习稳定的视觉特征。  验证预测样例可以帮助我们观察模型对烟雾、火焰目标的定位效果。对于安全类视觉任务来说，指标很重要，检测框是否稳定、是否存在明显漏检同样值得关注。 

YOLOv5s 是本期记录的第一种烟火检测模型。该模型包含 157 层网络，约 7M 参数，计算量为 15.8 GFLOPs，模型文件大小约 14 MB。它的优势在于结构轻量、推理速度快，适合实时视频分析、边缘设备部署和多路摄像头巡检等应用。 训练配置方面，YOLOv5s 的 batch size 为 64，训练 1707 个 epoch，总训练时间约 138 小时。评估结果中，Precision 为 0.92，Recall 为 0.90，mAP50 为 0.92，说明该模型在本次烟火检测数据集上具备较稳定的识别与定位能力。 | 项目 | YOLOv5s | | --- | --- | | 网络层数 | 157 层 | | 参数量 | 7M | | 计算量 | 15.8 GFLOPs | | 模型文件 | 14 MB | | batch size | 64 | | epoch | 1707 | | 训练时间 | 138 小时 | | Precision | 0.92 | | Recall | 0.90 | | mAP50 | 0.92 | 下面是 YOLOv5s 训练过程中的损失与指标变化趋势。通过这类曲线，可以复盘模型是否稳定收敛，也能为后续调整数据、训练轮次和部署阈值提供依据。  推理性能方面，YOLOv5s 的推理显存占用为 368 MB。GPU 单张图片推理 4.7 毫秒，后处理 1.0 毫秒，总计约 5.7 毫秒；CPU 单张图片推理 80.9 毫秒，后处理 13.6 毫秒，总计约 94.5 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 4.7 ms | 1.0 ms | 5.7 ms | | CPU | 80.9 ms | 13.6 ms | 94.5 ms | 下面是一张本次测试使用的原始图片。对于烟火检测模型来说，原图和检测结果放在一起看，能更直观地判断模型是否抓住了真正的风险区域。  YOLOv5s 的测试结果如下。可以结合原图观察检测框与烟火区域的贴合程度，以及模型对目标位置的响应是否清晰。 

YOLO26s 是本期记录的第二种烟火检测模型。该模型包含 260 层网络，约 10M 参数，计算量为 22.5 GFLOPs，模型文件大小约 20 MB。它同样面向目标检测任务，可用于火焰定位、烟雾识别和监控画面风险分析。 训练配置方面，YOLO26s 的 batch size 为 48，训练 1153 个 epoch，总训练时间约 115 小时。评估结果中，Precision 为 0.85，Recall 为 0.81，mAP50 为 0.84。对于真实部署来说，这些指标可以作为模型筛选、阈值设置和后续数据补充的重要参考。 | 项目 | YOLO26s | | --- | --- | | 网络层数 | 260 层 | | 参数量 | 10M | | 计算量 | 22.5 GFLOPs | | 模型文件 | 20 MB | | batch size | 48 | | epoch | 1153 | | 训练时间 | 115 小时 | | Precision | 0.85 | | Recall | 0.81 | | mAP50 | 0.84 | 下面是 YOLO26s 训练过程中的损失与指标变化趋势。烟火检测往往会受到光照、遮挡、背景纹理和目标形态变化影响，因此训练曲线对复盘模型表现很有价值。  推理性能方面，YOLO26s 的推理显存占用为 366 MB。GPU 单张图片推理 6.3 毫秒，后处理 1.6 毫秒，总计约 7.9 毫秒；CPU 单张图片推理 116.8 毫秒，后处理 39.8 毫秒，总计约 156.6 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 6.3 ms | 1.6 ms | 7.9 ms | | CPU | 116.8 ms | 39.8 ms | 156.6 ms | YOLO26s 的测试结果如下。单张图片测试能够展示模型的直观效果，后续如果进入工程部署，还需要在连续视频、夜间画面、强光反射、雾气干扰等场景中继续验证稳定性。 

烟火检测看似只是在画面里找火和烟，但真正落地时，它面对的是复杂环境：远距离小目标、局部遮挡、相似颜色干扰、摄像头压缩噪声，以及不同场所对误报和漏报的不同容忍度。一个可用的视觉模型，不仅要有清晰的 mAP 指标，也要在推理速度、显存占用和现场稳定性之间取得平衡。 从本期记录可以看到，轻量级烟火检测模型已经能够在较低显存占用和毫秒级 GPU 推理时间下完成目标定位任务。对于智慧园区、工业安全、仓储巡检、森林防火和城市安防等场景，这类模型适合作为早期预警系统的一部分，再结合现场数据持续迭代。 如果你正在做火焰检测、烟雾识别或安全生产视觉巡检，你最关心的是降低漏检、减少误报、提升夜间识别，还是在边缘设备上跑得更快？欢迎把你的应用场景和难点留下来，我们可以在后续文章里继续拆解。