企业官网建设流程全解析

简介：基于YOLOv5的烟雾检测解决方案，面向安全监控、火灾预警与智慧园区等场景的开发者、研究者和学生，解决实时烟雾识别及预警难题。整个资源包共2000个文件，压缩后360.52MB，内含3688张带标注的烟雾图像、对应txt与xml标签文件，以及训练好的pt权重、Python推理脚本和yaml配置模板，覆盖数据准备、模型训练、推理部署的完整链路。已有2355人参与学习下载。模型经多种环境烟雾样本训练，能够区分烟雾与雾、灰尘等干扰物，直接加载即可用于视频流检测；数据集包含不同光照、角度和背景的样本，便于针对具体场景微调，适应现场复杂条件，降低误报漏报风险。资源中还包含YOLOv5源码相关组件、项目目录说明与必要配置文件，适合希望快速集成实时烟雾报警系统，或进一步研究目标检测技术的开发者和研究者使用。

1. 从训练日志到实时检测框：这包YOLOv5权重和数据集开箱即用

在工厂仓库或者小区楼道里，烟雾初起的几十秒往往决定了火灾能不能被掐灭在源头，而大多数常规监控摄像头根本「看不见」烟雾——它半透明、会飘散、颜色还随着环境光变化。这个基于YOLOv5的烟雾检测项目，把深度学习目标检测模型应用到火灾预警场景，压缩包里同时带了训练好的权重和一份标注好的烟雾数据集。解压之后不需要去标一张图、跑一轮训练，直接用权重跑一次推理，画面里的烟雾区域就会被框出来。适合两类人：一类是安防、消防领域的开发者，想把检测能力接进现有监控链路；另一类是刚入门目标检测的新手，想拿一套完整工程把数据集、训练、验证、推理全流程走通。

2. 工程全景与目录结构：权重、标签、训练脚本一次定位

2.1 技术选型：烟雾检测为什么落在YOLOv5上

烟雾在图像里的表现很特殊：边缘模糊、颜色从白到灰黑都有、形状随风变化。传统视觉方案用颜色阈值或者背景建模只能处理固定场景，换个光照角度就翻车。YOLOv5 这类 anchor 检测器靠学习大量样本的纹理和上下文特征，对「半透明、无固定形状」的目标反而比想象中稳。它把整张图切成网格，每个网格预测若干个候选框，再回归出目标的类别和坐标，本质上是把检测问题变成了一次卷积网络的回归任务。

选 YOLOv5 而不是更新的检测框架，有三个现实原因。第一，它的工程生态最全，训练、验证、导 ONNX、转 TensorRT 都有现成脚本，接监控系统的成本低。第二，模型体积和精度之间的档位清楚，s/m/l/x 四种规格可以按机器算力换，边缘设备用 s 级，服务器用 l 级。第三，烟雾检测是单类目标，数据量通常不大，用 COCO 预训练权重做迁移学习，几百张标注图就能收敛出能用的模型。换更复杂框架反而要重新调 embedding 和 anchor，性价比不高。

2.2 目录结构与关键文件清单

解压之后先别急着跑命令，把目录认清楚能省掉很多弯路。整个工程的骨架是这样：

smoke_yolov5/ ├── dataset/ │ ├── images/ │ │ ├── train/ # 训练集图片 │ │ └── val/ # 验证集图片 │ ├── labels/ │ │ ├── train/ # 与图片同名的 .txt 标注文件 │ │ └── val/ │ └── data.yaml # 类别与数据集路径配置 ├── yolov5/ # YOLOv5 官方代码目录 │ ├── train.py # 训练入口 │ ├── detect.py # 推理入口 │ ├── val.py # 验证入口 │ └── models/ ├── runs/ │ └── train/ │ └── smoke_exp/ │ └── weights/ │ ├── best.pt # 验证集上指标最优的权重 │ └── last.pt # 最后一轮训练的权重 └── requirements.txt # Python 依赖清单

资源里最值钱的两个东西，一是 weights/best.pt，二是 dataset 里那批标注好的图片。前者省掉了几小时的训练时间，后者让你想自己重训时不用从爬图、清洗、标注开始做起。

2.3 数据集细节：YOLO 标注格式与类别配置

烟雾数据集用的是 YOLO 最通用的 txt 标注格式，每一行代表一个目标，五个字段依次是：类别编号、归一化中心点 x、归一化中心点 y、归一化宽度、归一化高度。打开任意一个 labels 文件，长这样：

0 0.462590 0.438077 0.185897 0.129167

前面那个 0 表示类别索引，对应 data.yaml 里 names 列表中的第 0 项，也就是 smoke。后面四个数都是 0 到 1 之间的小数，不是像素值。这意味着不管原图是 1920x1080 还是 640x480，标注都不受分辨率影响，训练时模型会统一 letterbox 缩放。理解这一点对排查数据问题很关键——如果你用别的工具标过 VOC 格式的 XML，转成 YOLO 格式时忘记归一化，训练时 loss 会直接起飞。

data.yaml 是整个数据集的配置中心，训练和验证脚本都会先读它：

# dataset/data.yaml path: ../dataset train: images/train val: images/val nc: 1 names: ['smoke']

nc: 1表示只有一个类别，names列表的顺序必须和标注文件中的类别编号一一对应。烟这个目标比较特殊，标注时有一个常见原则：宁可框大一圈把周边淡淡的烟羽包进去，也不要只框最浓的核心区，因为模型学到的是「模糊半透明区域 + 周围纹理」的组合特征，框太小会把特征截断。

3. 核心链路拆解：YOLO 标签如何变成画面里的检测框

3.1 数据加载与增强：训练时图片怎么被预处理

训练时，图片并不是直接塞进网络的。YOLOv5 的 dataloader 会先把图片做 letterbox 缩放，保持宽高比不变地补边到 640 或者你指定的尺寸，避免拉伸变形破坏了烟雾的形状特征。送进 GPU 之前还要做归一化，把像素值从 0-255 缩到 0-1，再减去 RGB 均值。这些处理都在数据加载阶段完成，你不需要自己写，但改参数时要明白改的是哪一环。

数据增强对烟雾检测尤其重要。YOLOv5 默认开启了 mosaic 增强，把四张训练图拼成一张，让模型在训练时看到更多不同背景和光照的组合。烟雾经常出现在墙角、窗边、户外天空等复杂背景里，如果不做增强，模型很容易把「白色块」和「烟雾」画等号。我一般还会在超参数里把hsv_h和hsv_s稍微调大，让颜色扰动更明显，逼模型去学纹理而不是只认颜色。

3.2 训练配置：迁移学习与超参数

这份资源重新训练时走的是迁移学习路线：用 COCO 预训练的yolov5s.pt作为起点，只训练最后一层分类头和回归头去适应烟雾数据。数据集不大、类别只有 1 个，从头训练既慢又容易过拟合，迁移学习是最稳的做法。训练命令如下：

cd yolov5 python train.py \ --weights yolov5s.pt \ --data ../dataset/data.yaml \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0 \ --name smoke_exp

训练日志里重点盯三个指标：box_loss、obj_loss和cls_loss。对单类检测来说，cls_loss通常很快降下去，真正难降的是box_loss和obj_loss。如果 50 轮之后obj_loss还在高位，先怀疑标注质量，而不是盲目加轮数。

3.3 推理与后处理：置信度过滤、NMS 与输出解析

训练完成后，runs/train/smoke_exp/weights/best.pt就是最终产物。官方 detect.py 的用法很直接，指定权重和图片来源就能跑：

python detect.py \ --weights runs/train/smoke_exp/weights/best.pt \ --source ../dataset/images/val \ --conf-thres 0.25 \ --iou-thres 0.45 \ --save-txt

--conf-thres是置信度阈值，低于 0.25 的框会被丢掉，调高减少误检、调低减少漏检；--iou-thres是 NMS 的 IoU 阈值，两个框重叠度超过这个值就合并，调大保留更多重叠框、调小更激进地清除。如果是二次开发，更灵活的方式是直接用 torch.hub 加载权重，在 Python 脚本里拿结果：

import torch # 加载本地训练好的权重，source='local' 表示不联网下载 model = torch.hub.load('./yolov5', 'custom', path='runs/train/smoke_exp/weights/best.pt', source='local') # 运行时阈值 model.conf = 0.25 # 置信度阈值 model.iou = 0.45 # NMS IoU 阈值 model.max_det = 100 # 单张图最多保留的检测框数量 # 推理单张图片 results = model('../dataset/images/val/0001.jpg') results.print() # 打印检测结果 results.show() # 弹出窗口显示画框结果

results.pandas().xyxy[0]是后续做告警逻辑最常用的接口，返回一个 DataFrame，每行一个检测框，列包含xmin, ymin, xmax, ymax, confidence, class, name。你可以直接按name过滤出 smoke 类，再取坐标去画框或者算面积。这个数据结构和 OpenCV 的矩形坐标完全兼容，接告警系统时基本不用改格式。

4. 快速跑通：环境配置、单图推理与验证指标解读

4.1 环境准备：Python、PyTorch 与依赖安装

工程依赖写在requirements.txt里，包含 torch、opencv-python、numpy 等基础库。建议用 conda 单独建环境，避免把系统 Python 搞乱。踩坑记录一条：YOLOv5 对 Python 版本有下限要求，3.8 到 3.10 都可以，太老或太新都会在装依赖时报错。

conda create -n smoke python=3.8 -y conda activate smoke cd yolov5 pip install -r requirements.txt

装完先确认 PyTorch 能不能用 GPU。CPU 也能跑推理，只是速度差很多；训练的话强烈建议用 GPU。

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

输出里torch.cuda.is_available()为True才说明 CUDA 环境通。这一步不过，后面训练大概率会在第一次 forward 时爆出 device mismatch 或者显存分配错误，到时候再回头查驱动就浪费时间了。

4.2 跑一次推理：图片、视频与摄像头

环境没问题之后，先用验证集图片跑一遍推理，验证权重文件是好的。这一条命令能同时把检测结果图和标注文本输出到runs/detect/下：

python detect.py \ --weights ../runs/train/smoke_exp/weights/best.pt \ --source ../dataset/images/val \ --conf-thres 0.25 \ --iou-thres 0.45 \ --save-txt

跑通图片后，换成视频或者摄像头流只需要改--source。视频文件直接写路径，实时流写 RTSP 地址：

python detect.py \ --weights ../runs/train/smoke_exp/weights/best.pt \ --source ../test_video.mp4 \ --view-img

python detect.py \ --weights ../runs/train/smoke_exp/weights/best.pt \ --source 'rtsp://user:pass@192.168.1.100:554/stream1' \ --view-img

注意--view-img会弹窗口逐帧显示，在服务器上跑要加--nosave或者不启用可视化，否则会浪费图形资源。

4.3 验证指标：mAP、Precision、Recall 怎么读

训练结束或者拿到新权重后，用 val.py 在验证集上过一遍，得到模型的真实水平：

python val.py \ --weights ../runs/train/smoke_exp/weights/best.pt \ --data ../dataset/data.yaml \ --task val

输出里重点看这几个指标：Precision表示检测出来的框里有多少是真烟雾，越高误检越少；Recall表示真实烟雾里有多少被框出来了，越高漏检越少；mAP@0.5是 IoU 阈值 0.5 下的平均精度，单类项目基本就看这一个数。烟雾检测的现实约束是：宁可 Recall 稍低也要把 Precision 稳住，因为消防告警场景里误报比漏报更伤——连续三天因为水蒸气报警，就没人信这个系统了。

5. 避坑指南：烟雾检测项目最常见的五个坑

5.1 近距离小面积烟雾完全检测不到

现象：画面上明明有一小团烟在冒，模型就是没反应，框都不出。
原因：训练和推理都用了 640 输入分辨率，小目标经过几次下采样后特征图只剩几个像素，卷积核覆盖不到有效信息。标注时把边上的淡烟漏标，也会让模型觉得「小团模糊区域不值得报」。
解决：先把推理分辨率提到 768 或 1280 试一次，框会立刻变多。如果有效，再把这类小目标截图手动补标注，加入训练集重训一轮。训练时开--multi-scale，让模型适应不同尺度的目标。

5.2 白云、雾气、蒸汽被误判成烟雾

现象：晴天白云飘过，画面里刷出一堆置信度 0.6 以上的「烟雾」框。
原因：数据集里基本都是真实的烟，缺少「像烟但不是烟」的负样本，模型没学过白云的纹理差异。加上烟雾数据集拍摄场景单一，模型偷懒学了背景颜色而不是烟的动态特征。
解决：收集一批完全没有烟的监控画面（天空、雾气、蒸汽、灯光光晕都算），放在训练集的背景目录里一起喂进去。推理时把conf从 0.25 提到 0.4，误检会明显减少，代价是小目标漏检增加，需要你权衡。

5.3 训练时 loss 变成 nan 或者剧烈震荡

现象：训练日志里 loss 突然变成 nan，或者前几十轮在 0.05 和 0.8 之间来回蹦。
原因：学习率太大导致梯度爆炸，batch 太小导致梯度估计不稳，也有可能数据集里有损坏的图片或者全黑的无效标注。
解决：先把--lr0从默认的 0.01 降到 0.001 重试；batch 保底开到 16。还不行就遍历一遍数据集，把打不开的图片和不含任何目标的空标注文件清掉。我的习惯是训练前先写几行代码扫一遍图片能否被 OpenCV 正常读取，能省掉大量的玄学调试时间。

5.4 白天效果好、夜间大范围漏检

现象：验证集 mAP 有 0.85，但拿到现场晚上一试，漏检率直接翻倍。
原因：训练集以白天自然光照片为主，夜间监控是红外画面，灰度分布和颜色特征跟白天完全不同，模型没见过这类分布。
解决：补一批夜间、黄昏、背光的烟雾画面重新标注训练。推理侧可以对画面做自适应亮度增强（比如 CLAHE 直方图均衡）再喂给模型。注意别把训练集和推理侧的预处理搞成两套，那会引入新的分布偏移。

5.5 视频推理掉帧严重，CPU 跑不动

现象：跑视频时画面卡成 PPT，GPU 利用率却不到 10%，CPU 风扇狂转。
原因：可能拿了 yolov5x 这种大权重在硬跑，或者没有开启半精度推理。摄像头码流分辨率过高也会让预处理阶段成为瓶颈。
解决：换yolov5s或yolov5m档位的权重，推理代码里加half=True开启 FP16。解码端先用 OpenCV 把帧 resize 到 640 再送进模型，比直接喂 1080p 原图快一倍以上。如果 GPU 都没有，考虑换 TensorRT 或者 ONNX Runtime 做 CPU 加速，硬啃 PyTorch 本身不是好出路。

6. 二次开发：把检测结果接进告警推送系统

6.1 从离线推理改成实时轮询

官方 detect.py 是「读一次、跑一次、保存结果」的一次性流程，真正落地到监控场景需要改成长驻进程。改造的核心是把图片来源从静态文件换成 VideoCapture 视频流，把结果从保存图片换成逐帧处理。实战项目里，我通常会把推理和告警拆成两个循环，推理循环只管出框，告警循环消费检测结果，避免网络请求阻塞画面读取。

6.2 告警去重与冷却时间

直接对每一帧发告警是新手最容易犯的问题——同一团烟会触发几百次请求，把服务打爆。正确做法是加一个冷却时间窗口，比如 30 秒内同一路视频只允许发一次告警。检测到烟雾时同时保存现场截图，方便事后翻查：

import cv2 import time import requests import torch # 加载训练好的权重 model = torch.hub.load('./yolov5', 'custom', path='runs/train/smoke_exp/weights/best.pt', source='local') model.conf = 0.3 # 告警场景稍微收紧阈值 model.iou = 0.5 cap = cv2.VideoCapture('rtsp://user:pass@192.168.1.100:554/stream1') last_alert = 0 ALERT_COOLDOWN = 30 # 冷却时间，单位秒 while True: ret, frame = cap.read() if not ret: time.sleep(0.5) continue results = model(frame) det = results.pandas().xyxy[0] smoke = det[det['name'] == 'smoke'] # 只保留烟雾类别 if len(smoke) > 0 and time.time() - last_alert > ALERT_COOLDOWN: # 触发告警，推送到自己的服务端 requests.post( 'http://127.0.0.1:8000/alert', json={'camera': 'warehouse-1', 'count': len(smoke)} ) # 保存当前帧作为证据图 cv2.imwrite(f'captures/{int(time.time())}.jpg', frame) last_alert = time.time() # 可视化，方便本地调试 annotated = results.render()[0] cv2.imshow('smoke_detection', annotated) if cv2.waitKey(1) & 0xFF == ord('q'): break

这个循环里最值得琢磨的是ALERT_COOLDOWN的值。设太短会频繁刷告警，设太长可能错过「烟雾已经消失二次冒烟」的情况。我一般会做成可配置项，而不是写死在代码里，上线后根据现场反馈调节。count字段传的是该帧检测到的烟雾框数量，如果只想关注大面积烟雾，可以过滤掉宽度或高度小于某个像素阈值的框，避免小团水汽触发误报。

接入告警服务只是第一步，更进阶的玩法是把检测结果定时写入时序数据库，统计每天哪个时段烟雾发生最频繁；或者把坐标信息叠加到监控大屏上做可视化。这套权重配合torch.hub的加载方式，二次开发成本非常低——模型推理部分基本不用改，改动都集中在业务侧。自从有一次因为漏掉冷却时间导致告警系统被打爆之后，我每次接新场景都会强制走一遍这个流程：先确认读取视频流没有丢帧，再单独验证告警接口通了，最后才把完整的循环挂到生产环境。从拿到这份权重和数据集到跑通整个告警链路，慢的话一个下午也够了。希望帮到你。

本文还有配套的精品资源，点击获取