企业官网建设流程全解析

简介：这是一套面向毕业设计场景的火灾检测可视化系统项目，基于YOLOv5目标检测框架与PyQt5界面库实现，面向计算机、电子信息、数学等相关专业学生，可用于课程设计、期末大作业或毕业论文的参考。压缩包共156个文件，大小约141.44MB，内含YOLOv5训练与推理源码（py/pyc）、模型配置文件（yaml/cfg）、预训练权重（pt）、图片样本（jpg/jpeg）、Dockerfile及环境依赖说明等，能够支撑从数据集准备、模型训练、模型评估到可视化界面集成的完整链路。项目还配有说明文档（md/txt）与jupyter示例，便于梳理模块结构、理解检测逻辑并开展二次开发。sh脚本可用于一键训练或推理，降低环境配置成本。已有482人学习下载，整体目录清晰、类型丰富，对希望快速搭建可演示火灾检测系统或撰写毕业设计的同学而言，是一份值得参考的完整资料。

1. 从模型到界面：YOLOV5+PyQt5火灾检测可视化系统的真实工作流

把YOLOV5训练好的权重文件和PyQt5做成的桌面程序拼在一起，这个标题看起来像是两个独立技术栈的简单叠加，真正做的时候却能拆出数据准备、模型训练、界面设计、线程通信、报警联动一大串问题。火灾检测可视化系统的核心并不在模型本身，而在于把检测结果以稳定、可演示、可解释的形式送进一个GUI窗口里。适合正在做课程设计或毕业设计、打算快速搭出一套能跑通完整流程的工程的人；也适合想了解YOLOV5检测服务如何与桌面端集成的开发者。下面从训练到界面，按一条可复现的路线展开。

2. 先把模型立住：YOLOV5火灾数据集的准备与训练参数

2.1 火灾检测不直接迁移COCO权重：数据分布决定了模型上限

很多第一次做的人会直接拿yolov5s.pt官方的COCO预训练权重去检测火焰，结果发现画面里的火苗识别不出来，或者把橙色的路灯、晚霞误报成火灾。原因不难理解：COCO的80个类别里并没有fire和smoke这两个类别，模型虽然学到了通用特征，但火焰的纹理、边缘和透明度与常见目标差异非常大，而且小尺寸火苗在640分辨率下只有几十个像素，正负样本极不均衡。

因此在这个项目中，训练环节的优先级要高于界面。我一般会先收集火焰和烟雾的图片，公开的火灾检测数据集在代码托管站点和学术资源站上能搜到不少，优先找已经带有YOLO格式标注的版本，省去自己转换的麻烦。如果原始数据只有VOC格式的xml标注，需要写一个转换脚本把xml里的bounding box坐标转成归一化的txt格式，转换时注意归一化用的是矩形中心点坐标和宽高，不是左上角右下角。

数据量方面，火焰加烟雾各2000张左右是入门门槛，类别不平衡会直接拉低mAP。图片里要涵盖白天、夜晚、室内、户外、小目标火源、大面积烟雾等场景。如果原始数据里火焰占绝大多数、烟雾样本很少，可以在训练时对烟雾类别施加更高的损失权重，或者对含烟雾的图片做更多的随机裁剪和亮度抖动，让模型见过更多烟雾形态。

2.2 YOLOV5训练自己的数据集：目录规划、标注格式与yaml配置

YOLOV5对数据集目录没有强约束，但按官方推荐的布局可以少踩很多坑。目录结构如下：

datasets/fire_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── fire.yaml

images和labels下各放图片与对应的txt标注文件，每个txt文件名和图片名一致。标注文件每一行是class_id x_center y_center width height，四个坐标值都是相对图片宽高的归一化浮点数，范围0到1。类别编号从0开始，这个项目里只有fire和smoke两类，所以class_id只能是0或1。如果类别顺序换成了smoke在前，后面推理时显示的名称也要跟着换。

接下来写数据集配置fire.yaml：

# fire.yaml 数据集配置 train: ./datasets/fire_dataset/images/train val: ./datasets/fire_dataset/images/val nc: 2 names: ['fire', 'smoke']

train指定训练图片目录，val指定验证图片目录，nc是类别数，names是类别名。写完后可以用下面命令快速检查标注和图片是否能被正确读取：

python train.py --data fire.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 100 --cache

train.py是YOLOV5仓库主目录下的训练脚本，--data指定数据集配置，--weights指定初始权重，用预训练权重做迁移学习收敛明显更快。--img 640表示输入分辨率，火灾检测里的火焰常以远处的小目标出现，分辨率低于640时漏检率会明显上升。--batch 16需要约8GB显存，如果显存不够就降到8，--cache参数可以把所有训练图片预加载进内存，省掉大量磁盘IO时间，第一次跑会等图片缓存构建完，之后速度提升明显。

2.3 训练时值得盯的三个指标与超参数选择

训练过程中不要只看loss曲线，loss下降不代表检测效果够用。需要同时盯住precision、recall和mAP@0.5，这三个值会在每轮epoch结束后的验证集上输出。

按经验，这个任务从yolov5s开始调，hyp.scratch-low.yaml里的lr0保持默认0.01就行，优先调整的是数据增强参数：mosaic设为1.0可以提升小目标表现，但训练后期建议关掉，否则部分目标被裁剪得过于碎片化，会破坏真实火焰的连续性；如果发现验证集上的mAP在最后20轮不再上升，可以增大mixup系数或减少epochs来抑制过拟合。

训练结束后用best.pt做推理测试，测试别只挑训练集里的图，找一些网上下载的真实火灾照片看误报情况。这一步决定了后面界面开发时模型是否可靠，如果到界面阶段再发现模型选错，返工成本会成倍增加。

3. 用PyQt5把检测结果变成可操作的监控界面

3.1 PyQt5界面骨架：主窗口、视频画布与控制区

拿到训练好的best.pt之后，下一步就进入界面开发。PyQt5安装用pip即可，在PyCharm的终端里直接执行：

pip install pyqt5

当前PyQt5版本停留在5.15系列，不会自动跳到PyQt6，可以放心使用。界面骨架我一般用QMainWindow搭，左侧是控制面板，中间是视频画布，画布用一个QLabel控件，通过setPixmap把每一帧更新上去，而不是用QPainter直接绘制整个窗口。核心代码结构如下：

from PyQt5.QtWidgets import QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget class FireDetectWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("YOLOV5+PyQt5 火灾检测可视化系统") # 视频画布：用QLabel展示帧图像，尺寸随窗口缩放 self.canvas = QLabel() self.canvas.setMinimumSize(800, 600) # 控制按钮：开始检测、停止检测、选择视频源 self.start_btn = QPushButton("开始检测") self.stop_btn = QPushButton("停止") self.start_btn.clicked.connect(self.start_detection) self.stop_btn.clicked.connect(self.stop_detection) layout = QVBoxLayout() layout.addWidget(self.canvas) layout.addWidget(self.start_btn) layout.addWidget(self.stop_btn) container = QWidget() container.setLayout(layout) self.setCentralWidget(container)

这个骨架把界面和业务逻辑分开了。canvas负责显示画面，start_btn和stop_btn负责控制开关，clicked信号连接到对应的槽函数。真正的检测逻辑不会写在这一层，QMainWindow只做两件事：响应用户操作、刷新显示结果。如果在这里直接写YOLOV5推理循环，界面会在每帧推理期间完全卡死，鼠标拖不动窗口，按钮没有反馈，所以第3.3节必须引入独立线程。

3.2 在界面上叠加检测框：把YOLOV5的坐标换算成Qt坐标

YOLOV5的后处理输出x1, y1, x2, y2，这四个值是像素坐标，可以直接在原始帧上画框，再把画好框的帧转成QImage显示。不要在渲染到界面时再做缩放，那样坐标会偏移。

import cv2 from PyQt5.QtGui import QImage, QPixmap def draw_detections(frame, results, model): # results是YOLOV5后处理后的结果，每个元素是[x1, y1, x2, y2, conf, cls] for *xyxy, conf, cls in results: x1, y1, x2, y2 = map(int, xyxy) label = f"{model.names[int(cls)]} {conf:.2f}" # 在OpenCV的BGR帧上画框，颜色BGR红色对应火焰告警 cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(frame, label, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) return frame def frame_to_pixmap(frame): # BGR转RGB，再包装成QImage，否则画面颜色会偏蓝偏绿 rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape qimg = QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) return QPixmap.fromImage(qimg)

画框直接使用OpenCV而不是Qt的QPainter，是因为帧本身就是OpenCV的ndarray，用cv2.rectangle成本低，也避免在Qt绘画事件里做耗时操作。QImage.Format_RGB888要求数据是RGB顺序，所以必须先cvtColor。如果画面在界面上被缩放，QPixmap显示时会自动拉伸，但检测框已经画在原始帧上，所以不会错位。需要留意的是results里的cls值是numpy.float32，取类别名时要先强转成int，否则model.names的下标会报错。

3.3 用QThread跑推理，避免界面卡死的三个关键点

界面卡死的根因是推理阻塞了Qt主线程。解决办法是把视频读取和模型推理放到QThread里，通过信号把处理完的帧传回主线程显示。下面是一个最小可运行的线程封装：

from PyQt5.QtCore import QThread, pyqtSignal import cv2 class DetectThread(QThread): # 自定义信号：发送当前帧，供界面刷新 frame_ready = pyqtSignal(object) def __init__(self, model, source=0): super().__init__() self.model = model self.source = source self.running = True def run(self): cap = cv2.VideoCapture(self.source) while self.running: ret, frame = cap.read() if not ret: break # 调用YOLOV5的推理，输入是原始BGR帧 results = self.model(frame) annotated = draw_detections(frame, results, self.model) self.frame_ready.emit(annotated) cap.release() def stop(self): self.running = False self.wait()

这段代码里有两个关键点。第一，frame_ready是跨线程信号，触发后主线程的槽函数会排队执行，中间不会阻塞run里的视频循环。第二，stop方法用self.wait()等待线程退出，防止界面关闭后子线程还在访问已经释放的模型对象。还需要注意QThread的线程亲和性：不要在DetectThread里直接调用任何QWidget方法，所有界面刷新都必须通过信号回到主线程。第三个关键点是异常处理，视频文件损坏或摄像头被拔出时cap.read()会连续返回False，run里要加一个最大失败次数，连续失败30次就主动退出线程并发信号通知界面，否则线程会在空循环里空转。

4. 把模型和界面接起来：实时视频流、报警联动与性能优化

4.1 从视频帧到检测结果的数据管线设计

实时视频流和单张图片检测之间最大的差别在于：摄像头每秒产生25到30帧，而YOLOV5在CPU上推理一帧往往需要200到500毫秒，在GPU上也要30到80毫秒。如果每一帧都送进模型，实时性必然崩塌。常见的做法是把视频读取和推理拆成两个环节，用跳帧策略控制推理频率。

# 数据管线核心：跳帧推理 + 保留最近一次检测结果 frame_index = 0 infer_interval = 2 # 每2帧推理一次 last_boxes = [] while cap.isOpened(): ret, frame = cap.read() if not ret: break if frame_index % infer_interval == 0: results = model(frame) last_boxes = results # 保存结果，供后续帧显示 # 非推理帧也画框：把上一帧的检测结果贴到新帧上 annotated = draw_detections(frame, last_boxes, model) emit_frame(annotated) frame_index += 1

这里的逻辑是：推理帧和显示帧分离。每隔infer_interval帧做一次检测，中间跳过的帧直接复用上一次检测到的框，画面保持连续但推理次数减半。infer_interval的取值要看硬件能力，GPU运行时设2或3，CPU运行时设5或10，否则界面流畅度和检测实时性会互相打架。注意保存的检测框坐标要和当前帧尺度一致，如果视频分辨率没变，直接复用没问题；如果中途切换了视频源或分辨率变化，必须清空last_boxes，否则旧坐标会画在错误位置上。

4.2 报警别做成阻塞：倒计时、防抖与声音提示

火灾检测系统里最核心的联动是报警。简单粗暴的做法是只要检测到fire就立刻弹出QMessageBox弹窗，结果视频每几分钟就弹一次，用户要点无数次确定，反而阻碍了观察现场。更好的设计是引入连续帧命中计数和触发阈值：

# 报警防抖逻辑：连续fire_hit_threshold帧检测到火焰才触发 fire_count = 0 fire_hit_threshold = 5 # 连续阈值，建议5~10 is_alarm_active = False while True: frame = read_frame() boxes = detect(frame) fire_detected = any(model.names[int(b[5])] == 'fire' for b in boxes) if fire_detected: fire_count += 1 else: fire_count = 0 is_alarm_active = False if fire_count >= fire_hit_threshold and not is_alarm_active: is_alarm_active = True start_alarm() # 只触发一次

fire_count连续累加，一旦中途有一帧没有检测到火焰就清零。这样做可以过滤掉单帧误检，比如镜头快速晃动、光照瞬时变化导致的假阳性。is_alarm_active保证报警只触发一次，直到连续未命中才复位。阈值设太大会导致真实小火苗出现后延迟报警，设太小又容易闪断，建议在答辩演示时用本地视频实测确定，一般5帧以内既能防抖又不明显迟钝。

报警之后还应该自动截图存档，保存带检测框的帧到本地目录，并记录时间戳。这个功能在毕业设计答辩时很加分，因为说明文档里可以写“系统具备报警证据留存能力”。

4.3 推理速度上不去时，先查这四个地方

界面能跑通之后，常见的问题就是帧率太低。下表是我在调试这类系统时优先排查的四个位置。

最后一个容易被忽略的地方是CPU推理时的线程配置。YOLOV5的export.py导出的ONNX模型在CPU上可以考虑用OpenVINO执行器，PyQt5界面完全不用改，只需把推理session的provider改成OpenVINO，帧率往往能提高两三倍。如果项目只要求演示，直接在DetectThread里加载优化后的模型即可，注意导出后要重新跑一次相同的测试视频，确认精度没有明显下降。

5. 毕业设计答辩前必做的五项验证与两个容易被追问的边界

5.1 用一段固定视频做演示，比现场接摄像头更稳

毕业设计答辩当天最怕摄像头驱动异常或现场光线不对，导致整个演示卡住。我一般会把测试视频提前录制成mp4，界面里加一个“本地视频”下拉选项，从文件路径读取视频流。这样在操作系统环境多变的多媒体教室，不用依赖摄像头驱动也能完整体验检测流程，评委提问时还可以重放关键片段，展示报警联动过程。

5.2 五项验证覆盖演示全流程

第一个验证是长时间运行的稳定性。让系统连续运行30分钟以上，观察内存占用是否持续增长。如果QThread里的帧队列没有被及时清空，内存会慢慢涨上去，最后界面失去响应，可以把任务管理器截图放进说明文档作为证据。

第二个验证是无标签真实视频的误报率。下载几段没有标注过的火灾现场视频，用界面完整跑一遍，记录误报和漏报。这一步可以提前发现模型对特定场景的过拟合，比如傍晚的红色灯光、墙面上的橙色装饰板。

第三个验证是视频中断的恢复。在播放视频过程中手动删除视频文件或拔出摄像头，系统不能崩溃，要能回退到等待状态并弹出错误提示。很多毕业设计演示都挂在这一步上。

第四个验证是三种报警触发方式分别测试：声音、弹窗、截图存档。注意弹窗不要阻塞推理线程，可以用信号槽把弹窗请求发到主线程处理。

第五个验证是切换设备。拿一台没有NVIDIA显卡的笔记本跑一遍CPU推理，确认帧率不低于5。如果低于5，要把输入分辨率降到480或换yolov5n，否则答辩现场的笔记本带不动，演示效果会非常尴尬。

两个容易被追问的边界：第一个是模型只对训练数据分布内的火焰和烟雾有效，对于镜面反光、橙红色塑料物体和蒸汽，模型可能会误判。答辩时要主动说明数据增强策略和误报控制方法，不能声称该系统可以覆盖所有火灾场景。第二个是PyQt5只是可视化外壳，检测精度完全由YOLOV5权重决定，如果评委要求提高mAP，回应方向是先扩充数据集而不是调界面代码。把这两个边界写进说明文档，答辩时会被认为是真正理解了自己做的东西。

本文还有配套的精品资源，点击获取