企业官网建设流程全解析

简介：针对烟雾与火焰检测任务，这份数据集提供了完整的图像与XML标注资源，适合计算机视觉学习者、算法工程师以及安防消防领域研究者，用于目标检测模型的训练与效果评估。压缩包共4118个文件，包含2059个JPG图像与2059个配套XML标注文件，标注类别覆盖“烟雾”和“火”两类目标，整体大小约168.41MB。XML标签记录目标类别与边框位置信息，可直接用于YOLO、Faster R-CNN等主流检测框架的训练输入，省去手动标注环节；类别区分明确，可满足烟雾与火焰的二分类或多类别检测需求。目前已有2326人学习下载，资源整理规范，便于划分训练集、验证集与测试集，适合快速构建烟火识别数据集，支撑火灾预警、森林防护、智能安监等场景的算法开发与项目落地。对于初学者，也能借此熟悉标准标注格式与数据组织方式，是一份可直接投入训练使用的数据集。

1. 烟雾火焰数据集：VOC 标注的烟火检测数据到底能做什么

烟雾火焰数据集听起来像个普通的目标检测数据集，但实际用起来会发现它是烟火识别项目里最难替代的部分。2056 张图片，烟雾和火两类，全部带 xml 标签，意味着它可以直接被 YOLO、SSD、Faster R-CNN 这些主流检测框架消费，也可以先用 VOC 格式的标注工具链做检查、清洗和增强。对于正在做森林防火、工厂安防、城市早期火情预警的工程师来说，这套数据解决的不是“有没有模型”，而是“有没有靠谱的训练起点”。它最适合两类人：一类是刚接触目标检测、需要一套干净数据跑通流程的初学者，另一类是已经跑过公开数据集、想快速评估烟火场景落地效果的从业者。接下来我从标注结构讲起，一直到训练和坑位排查。

2. 读懂 xml 标注：先检查数据，再谈训练

拿到任何 VOC 格式的数据集，第一步不是直接进训练脚本，而是先把你手里的 xml 读一遍。烟火检测这种任务对标注质量尤其敏感，因为烟雾是半透明、非刚性目标，边界天然模糊，不同标注员画的框可能偏差很大。如果直接训练，模型会把这些不一致当成特征去学，轻则收敛慢，重则在真实现场疯狂误报。这一章我会带你逐字段解析 xml，并给出一套能直接跑的体检脚本。

2.1 一张 VOC 格式的 xml 里有什么

VOC（PASCAL VOC）格式的标注文件核心是 object 节点。一个典型的标签长这样：

<annotation> <folder>smoke_fire_2024</folder> <filename>img_0042.jpg</filename> <size> <width>1280</width> <height>720</height> <depth>3</depth> </size> <object> <name>fire</name> <difficult>0</difficult> <bndbox> <xmin>312</xmin> <ymin>98</ymin> <xmax>674</xmax> <ymax>356</ymax> </bndbox> </object> <object> <name>smoke</name> <difficult>0</difficult> <bndbox> <xmin>201</xmin> <ymin>130</ymin> <xmax>512</xmax> <ymax>410</ymax> </bndbox> </object> </annotation>

filename 要和同目录下的图片文件名严格一致，size 里的宽高是训练时用来做归一化的基准。object 节点可以出现多次，也就是说一张图里可以同时标多个火头和多团烟雾，这正是烟火场景最常见的形态。难点在于 bndbox 的四个值：xmin、ymin 是左上角，xmax、ymax 是右下角，它们必须是像素坐标，而且不能超出图片边界。后面转换脚本的核心，就是把这四个值读出来换算成 YOLO 需要的中心点加宽高格式。

2.2 训练前先跑一遍标注体检：类别名、边界框、空标注

多数数据集不会像文档里写得那么干净，尤其这类由人工标注整理的数据，常见问题包括类别名大小写混用（fire 和 Fire）、坐标超出图片宽高、宽高为 0 的退化框、以及“图片在但 xml 缺失”或“xml 在但图片缺失”。这些问题单个出现概率不高，但 2056 张图里只要有一批，训练时就会在数据加载阶段报错，或者更隐蔽地让 loss 在某个值附近震荡。我一般会在拿到数据的第一时间跑下面这个检查脚本：

import os import xml.etree.ElementTree as ET from PIL import Image IMG_DIR = "images" XML_DIR = "annotations" img_files = {f for f in os.listdir(IMG_DIR) if f.lower().endswith((".jpg", ".png"))} xml_files = {f for f in os.listdir(XML_DIR) if f.lower().endswith(".xml")} # 1. 图片与标注是否一一对应 only_img = img_files - {os.path.splitext(x)[0] + ".jpg" for x in xml_files} only_xml = xml_files - {os.path.splitext(f)[0] + ".xml" for f in img_files} print("缺 xml 的图片:", only_img if only_img else "无") print("缺图片的 xml:", only_xml if only_xml else "无") # 2. 读取每个 xml，检查 bndbox 合法性 for xml_name in sorted(xml_files)[:50]: tree = ET.parse(os.path.join(XML_DIR, xml_name)) root = tree.getroot() size = root.find("size") w, h = int(size.find("width").text), int(size.find("height").text) for obj in root.findall("object"): name = obj.find("name").text box = obj.find("bndbox") x1 = int(float(box.find("xmin").text)) y1 = int(float(box.find("ymin").text)) x2 = int(float(box.find("xmax").text)) y2 = int(float(box.find("ymax").text)) if x1 >= x2 or y1 >= y2: print(f"{xml_name}: {name} 框宽高异常 ({x1},{y1},{x2},{y2})") if x1 < 0 or y1 < 0 or x2 > w or y2 > h: print(f"{xml_name}: {name} 超出图片边界 ({x1},{y1},{x2},{y2}) vs {w}x{h}") print("抽查完成")

这段脚本前半段用了集合差，把“有图没标”和“有标没图”的情况一次性暴露出来。后半段只抽查前 50 个 xml，目的是快速看有没有明显脏数据，全量检查放在转换脚本里更合适。为什么要抽查而不是全量？因为 xml.etree 的解析在全量 2056 个文件上不算慢，但人工去读输出才是瓶颈，抽查先把最严重的问题暴露出来，全量交给后面的转换脚本兜底。注意脚本里我用 int(float(...)) 而不是 int(...)，是因为不少标注工具会把坐标写成小数，直接 int() 会在某些写法下报错，先转 float 再下取整更可靠。

提示：类别名出现的所有值都要记录，后面转 YOLO 格式时要按固定顺序映射成 0、1。顺序一旦定了就不要改，否则训练到一半再换类别索引，模型权重和数据集就对不上了。

2.3 统计类别分布：烟雾和火的占比决定后续策略

体检通过之后，下一步是统计每个类别的出现频次和边界框尺寸分布。这个统计直接决定两个事情：一是类别权重怎么配，二是需不需要对某一类做针对性增强。烟火数据的典型特征是 fire 框通常小而集中，smoke 框大而分散，两种框的宽高比差异很大，如果统一按同一个锚框策略跑，小目标的火焰很可能直接被忽略。

import os import xml.etree.ElementTree as ET from collections import Counter, defaultdict XML_DIR = "annotations" category_counter = Counter() box_sizes = defaultdict(list) for xml_name in os.listdir(XML_DIR): if not xml_name.endswith(".xml"): continue tree = ET.parse(os.path.join(XML_DIR, xml_name)) root = tree.getroot() w = int(root.find("size/width").text) h = int(root.find("size/height").text) for obj in root.findall("object"): name = obj.find("name").text category_counter[name] += 1 box = obj.find("bndbox") bw = int(float(box.find("xmax").text)) - int(float(box.find("xmin").text)) bh = int(float(box.find("ymax").text)) - int(float(box.find("ymin").text)) box_sizes[name].append((bw / w, bh / h)) # 归一化到 0-1 print("类别分布:", dict(category_counter)) for k, v in box_sizes.items(): avg_w = sum(s[0] for s in v) / len(v) avg_h = sum(s[1] for s in v) / len(v) print(f"{k}: 框数量 {len(v)}, 平均归一化宽 {avg_w:.3f}, 平均归一化高 {avg_h:.3f}")

这里把边界框尺寸除以图片宽高，得到归一化后的相对大小。这么做是为了和后面 YOLO 的输入尺寸对应，比如图片 1280 宽、框 320 宽，归一化后就是 0.25，训练时如果输入缩到 640，这个框在特征图上的像素占比就清楚了。统计结果出来后，常见情况是 smoke 和 fire 的框数量不均衡，比例悬殊到 3:1 以上。此时建议先用原始数据训一版，看混淆矩阵再决定要不要做增强，而不是上来就调类别权重，烟火任务里增强翻车的概率比权重配错还高。

3. 将 xml 转成 YOLO 格式：转换脚本与四个边界坑

VOC 格式虽然通用，但现在的检测框架主流输入是 YOLO 格式的 txt，一个标注文件对应一张图，每行写类别、中心点 x、中心点 y、宽、高，全部归一化到 0~1。很多初学者在这里翻车，不是不会写转换代码，而是漏了坐标从“左上右下”到“中心点宽高”的换算，或者忘了归一化。这一章直接给出我常用的转换脚本，并把转换后最容易出的四个问题一次性讲透。

3.1 为什么要从 VOC 转到 YOLO 格式

YOLO 系列（v5、v8 以及最新的 v11）的默认标注是 txt 格式，每行五个数字。相比 xml，txt 没有标签名而是用数字索引，加载更快，也更符合 anchor-based 检测头对目标框的表达习惯。另一个原因是庞大的生态工具链，Ultralytics 的 API、roboflow 导出、以及大量数据增强库都默认读 txt，转过去之后你能直接用上这些工具，不需要为 xml 写定制 loader。

VOC 的 bndbox 是左上角 (x1, y1) 和右下角 (x2, y2)，YOLO 需要的是中心点坐标 (cx, cy) 和宽高 (w, h)，换算公式是：

cx = (x1 + x2) / 2 / 图片宽 cy = (y1 + y2) / 2 / 图片高 w = (x2 - x1) / 图片宽 h = (y2 - y1) / 图片高

注意除法在最外层，先算像素值再归一化，顺序反了数值就会差一个量级。

3.2 转换脚本：解析 xml，归一化，写 txt

import os import xml.etree.ElementTree as ET IMG_DIR = "images" XML_DIR = "annotations" OUT_DIR = "labels_yolo" CLASSES = ["smoke", "fire"] # 索引 0 和 1，顺序固定 os.makedirs(OUT_DIR, exist_ok=True) skipped = 0 for xml_name in os.listdir(XML_DIR): if not xml_name.endswith(".xml"): continue tree = ET.parse(os.path.join(XML_DIR, xml_name)) root = tree.getroot() w = int(root.find("size/width").text) h = int(root.find("size/height").text) if w == 0 or h == 0: print(f"跳过 {xml_name}: 图片尺寸异常") skipped += 1 continue lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in CLASSES: print(f"跳过 {xml_name}: 未知类别 {name}") skipped += 1 continue box = obj.find("bndbox") x1 = float(box.find("xmin").text) y1 = float(box.find("ymin").text) x2 = float(box.find("xmax").text) y2 = float(box.find("ymax").text) if x1 >= x2 or y1 >= y2 or x2 > w or y2 > h or x1 < 0 or y1 < 0: print(f"跳过 {xml_name}: 非法框 {name}") skipped += 1 continue cx = (x1 + x2) / 2 / w cy = (y1 + y2) / 2 / h bw = (x2 - x1) / w bh = (y2 - y1) / h lines.append(f"{CLASSES.index(name)} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") base = os.path.splitext(xml_name)[0] with open(os.path.join(OUT_DIR, base + ".txt"), "w") as f: f.write("\n".join(lines)) # 拷贝同名图片到 images_yolo，保持一一对应 os.system(f"cp {IMG_DIR}/{base}.jpg {IMG_DIR}_yolo/{base}.jpg 2>/dev/null || true") print(f"转换完成，跳过 {skipped} 个异常文件")

这段脚本把 xml 解析、合法性检查、坐标换算、文件落盘放在一个循环里，前置条件是 CLASSES 列表里的顺序就是最终训练时的类别索引，必须是 0 开始。脚本里跳过异常文件而不中断，因为我处理 2056 张图时发现，中断一次就要回头人工核对，跳过错名单最后集中看打印信息更高效。转换时顺便用 os.system 拷贝同名图片，是为了保证 labels 文件夹和 images 文件夹的文件名一一对应。如果你的图片不全是 jpg，把 cp 那行改成匹配实际扩展名，或者用 shutil.copy2 并在循环里按实际 filename 字段来找图片更可靠。

3.3 转换后必须查的四个问题

第一个问题是空 txt。如果某张图 xml 里有 object 但因为类别名不在 CLASSES 列表里被跳过，输出的 txt 是空文件，YOLO 训练时会忽略它，但空文件本质上代表这张图没标注，你得决定是删掉还是补标。第二个问题是归一化后的 w 或 h 出现负数，这通常是 xml 里 xmin 和 xmax 填反了，有些标注工具画框方向不同会导致这个，转换脚本里的非法框检查能拦住一部分，但填反且 x1 < x2 的情况肉眼很难发现，建议转换后随机抽 20 个 txt 对照原图可视化一遍。

第三个问题是类别索引错位，比如你 CLASSES 写 ["fire", "smoke"]，但之前统计时用的是 ["smoke", "fire"]，训练时 loss 看起来正常，mAP 却一直上不去，因为模型在学相反映射。第四个问题是多通道 tif 或红外图被误判为普通图，烟火数据里偶尔混入热成像图，PIL 或 OpenCV 读取时通道数不同，YOLO 训练会报错。遇到这种情况，统一转成 RGB 三通道 jpg 再进训练，不要指望模型自己适应通道差异。

转换完不要急着训，先把 labels_yolo 里的 txt 和 images_yolo 里的图片数量对齐，再用下面命令检查每行数字个数是否为 5：

for f in labels_yolo/*.txt; do awk 'NF != 5 {print $0}' "$f" done

awk 输出为空说明所有标注行都是五列，这是 YOLO 格式最基础的红线。跑完这步，数据才真正具备训练条件。

4. 用 YOLOv8 训练烟火检测：划分数据集与参数建议

数据整理干净之后，训练本身反而变成最机械的部分。但烟火检测有两个特点会让训练结果和随机划分差别很大：一是同一场景的多帧图像特征高度相似，二是烟和火的尺度差异极大。这一章讲如何划分数据集、怎么写 data.yaml、以及训练后必须看的指标。所有参数基于我在这类任务上的经验，你可以根据显卡显存调整，不建议照抄。

4.1 划分数据集：先按场景，再随机

2056 张图听起来不少，但如果这些图来自有限个固定机位，随机划分会让同一段视频的连续帧同时出现在训练集和验证集里，模型相当于开卷考试，验证集 mAP 虚高到 0.9 以上，换到新场景立刻跌到 0.4。正确的做法是先看图片命名或目录结构，尽量按视频片段或拍摄场景分组，再把整个场景划进训练或验证。

import os import random from collections import defaultdict IMG_DIR = "images_yolo" scene_groups = defaultdict(list) for f in os.listdir(IMG_DIR): if not f.endswith(".jpg"): continue # 假设文件名前缀 scene_001_frame002.jpg，取前两段做场景 scene = f.split("_")[0] + "_" + f.split("_")[1] scene_groups[scene].append(f) scene_names = list(scene_groups.keys()) random.shuffle(scene_names) train_scenes = scene_names[: int(len(scene_names) * 0.8)] val_scenes = scene_names[int(len(scene_names) * 0.8):] train_txt = "train.txt" val_txt = "val.txt" with open(train_txt, "w") as f: for s in train_scenes: for img in scene_groups[s]: f.write(f"/abs/path/to/{img}\n") with open(val_txt, "w") as f: for s in val_scenes: for img in scene_groups[s]: f.write(f"/abs/path/to/{img}\n") print(f"训练场景 {len(train_scenes)} 个, 图片 {sum(len(scene_groups[s]) for s in train_scenes)} 张") print(f"验证场景 {len(val_scenes)} 个, 图片 {sum(len(scene_groups[s]) for s in val_scenes)} 张")

这里示意按文件名前缀分组，实际项目里如果图片没有结构化命名，可以用感知哈希或者 ORB 特征把相似帧聚类，代价是计算量高一些。我一般至少会分 5 播（即 5 次不同随机种子划分）取验证集指标最好的一次，因为单次划分的运气成分在这种规模的数据集上不可忽视。另外注意 train.txt 里写的是绝对路径还是相对路径，YOLO 训练时要保持前后一致，否则换机器跑马上报文件不存在。

4.2 data.yaml 与关键训练参数

Ultralytics YOLOv8 训练时只需要一个 yaml 文件指向数据和类别列表，内容极简：

path: /your/dataset/root train: train.txt val: val.txt names: 0: smoke 1: fire

train 和 val 可以写相对 path 的路径，也可以直接写绝对路径。names 的顺序必须和转换脚本的 CLASSES 完全一致。这里的 path 是后面所有相对路径的根，Ultralytics 会把 train.txt 里的图片路径拼到 path 上，如果 train.txt 里已经是绝对路径，path 字段可以随便填个目录。

训练命令我用得最频繁的是下面这个：

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=120 \ imgsz=640 \ batch=16 \ patience=20 \ project=runs/smoke_fire \ name=v8n_640

挑三个最影响烟火检测结果的参数展开说。imgsz 默认 640，如果你的场景里火焰是小目标，建议试试 960 或 1280，代价是显存和训练时间翻倍，但小目标 AP 通常能涨 3~5 个点。batch 不是越大越好，梯度过大反而让模型在小数据集上过拟合更快，16 在 12G 显存上跑 640 输入比较稳。patience 是早停参数，我见过有人在 2056 张图上训到 120 epoch 消耗大量时间，其实验证集 mAP 在 60~80 epoch 就到平台期了，patience 设 20 能自动停。

注意：不要一上来就上 yolov8x 或加 CBAM 这些花活，先跑通 v8n 基线。烟火检测的瓶颈几乎不在模型容量，在数据标注的框质量和小目标密度。基线 mAP 如果低于 0.6，先回数据侧找原因，换大模型只会掩盖问题。

4.3 训练结束后看什么指标

训练结束后屏幕上会输出一长串指标，重点看三个：mAP50、mAP50-95、以及每个类别的 AP。mAP50 是 IoU 阈值 0.5 时的均值，烟火这类边界模糊的目标框和真实框的 IoU 往往偏低，mAP50-95 很难超过 0.7，不用太焦虑。真正值得关注的是 smoke 和 fire 两个类别的 AP 差异，如果 fire 的 AP 明显低于 smoke，说明小目标漏检是主要矛盾。

我还习惯性地把验证集上模型预测失败的图导出成一张拼图，直接用 Ultralytics 提供的混淆矩阵图不够直观，要配合看具体图片：

yolo detect val \ model=runs/smoke_fire/v8n_640/weights/best.pt \ data=data.yaml \ conf=0.25 \ save_pred=True \ project=runs/smoke_fire \ name=val_check

save_pred=True 会在验证时把带标注框的预测图存下来。你去翻这些图的时候，重点找三类样本：远处的小火苗、浓烟背景下的淡淡烟迹、以及高光反射被误判成火的地方，这三类基本就是烟火检测最后的难点，也直接决定了模型能不能上真实场景。

5. 烟火检测最容易踩的坑：误报、漏报与难例排查

这章内容来自我做了几轮烟火检测项目后的血泪经验，每一条都是先看到现象、再查原因、最后找到解决路径的完整链路。如果你正准备拿这套数据训练，建议先看完这章再动手，能省下不少重训的冤枉时间。

5.1 云、雾被识别成烟雾

现象：模型在训练集的烟雾图上表现不错，但在装有户外摄像头的场景里，把白云、晨雾、水蒸气全部标成 smoke，误报率高到无法上线。

原因：烟雾本质上是半透明的非刚性物体，训练集里如果烟雾图以深色浓烟为主，模型学到的其实是“灰白色团块”这个表面特征，而不是烟的纹理和消散形态。云和水蒸气在颜色、形状上跟烟高度重叠，单靠外观特征天然分不开。

解决：我试过几种办法，最有效的是加时间去分辨。烟雾在连续帧里有扩散和消散的运动特征，云基本不动。落地方法是把模型输出接到一个轻量时序判读器上，连续 N 帧都检出才算报警。如果只做单帧检测，那就得往训练集里补充薄烟、远烟、逆光烟这类难例，让模型见过足够多的“烟但不是云”的样本。

5.2 远处小火苗漏检

现象：验证集 mAP 看着不错，一测现场远处刚燃起的火苗，框完全不触发。这类火苗在 1280 分辨率的原图上往往只有 20~30 像素宽。

原因：训练时 imgsz=640，图片缩一半，小目标尺寸在特征图上只剩几个像素，检测头很难召回。另一个因素是数据集的框尺寸分布里，大火苗占多数，模型对小目标的先验不足。

解决：第一选择是把推理和训练的 imgsz 提上去，960 或 1280；第二选择是做大图切块推理，把原图切成四块分别检测再合并结果；第三选择是给 YOLO 加 P2 检测层，但这需要改模型结构，风险大收益未必明显。我一般先试前两个，效果好且不影响工程可靠性。

5.3 验证集划分不当造成指标虚高

现象：训练的 mAP50 显示 0.92，团队以为模型已经成熟，结果现场评测不到 0.5。

原因：划分数据集时随机切分，同一个摄像机机位的连续帧同时出现在训练集和验证集，模型看到的验证样本和训练样本几乎同一场景，等于开卷考试。这类问题在自采数据上极为常见，因为自采数据天然按机位和时间聚集。

解决：按机位或视频片段分组划分，组内不分家。另一个补救措施是加一个“外人”验证集，找几个完全没参与训练的现场视频片段来跑，指标可信度会高很多。划分脚本我在 4.1 里已经给出，不要嫌麻烦跳过。

5.4 标注文件脏数据导致训练异常

现象：训练在第 20 epoch 左右 loss 突然飙到 nan，或者训练完精度极低，翻验证集图片发现框的位置完全不对。

原因：xml 里有坐标越界、类别名大小写混用、以及小概率存在的 bndbox 填反。转换脚本虽然拦了一大部分，但有些脏数据的坐标本来就在图片范围内，只是语义上是错的，比如把火焰框画到了背景高光上。

解决：把训练集预测结果可视化一遍，重点看置信度最高和最低的那些框，能发现大量标注错误。另一个技巧是训练时加 fliplr 增强后复查一遍，左右翻转最容易暴露标注不对称的问题。数据清洗虽然耗时，但在这类场景下回报率远高于调模型。

6. 上线前最后一步：用小目标专项评测验证模型

模型训练完不是终点，烟火检测这类任务真正麻烦的是小目标，所以我在最终验收时一定会做一次小目标专项评测，而不是只看验证集的 mAP。具体做法是固定一个测试视频片段，从里面截帧，然后把每帧按 2x2 切块，分别用模型检测后合并，记录小目标的召回率。

import cv2 import numpy as np from ultralytics import YOLO model = YOLO("runs/smoke_fire/v8n_640/weights/best.pt") img = cv2.imread("night_fire_042.jpg") h, w = img.shape[:2] tiles = [(0, 0, w // 2, h // 2), (w // 2, 0, w, h // 2), (0, h // 2, w // 2, h), (w // 2, h // 2, w, h)] all_boxes = [] for x1, y1, x2, y2 in tiles: tile = img[y1:y2, x1:x2] results = model(tile, conf=0.25, imgsz=640)[0] for box in results.boxes.data.cpu().numpy(): tx1, ty1, tx2, ty2, conf, cls = box all_boxes.append((int(tx1 + x1), int(ty1 + y1), int(tx2 + x1), int(ty2 + y1), conf, int(cls)))

这段代码把原图切成四块做推理，再把坐标映射回原图坐标系。切图推理的收益在于小目标在切块后相对尺寸变大，模型更容易召回。代价是推理时间翻倍，所以这个评测脚本只用于离线验收，不适合直接部署到实时链路。评测时我建议记录下面这张表，每一行代表一帧的检出情况：

把十几帧的结果汇总，如果最小框宽度在 15 像素以下时召回率低于 60%，就可以明确判断模型不适合直接上生产，需要按 5.2 里的方案做增强或切图部署。我现在做烟火检测项目，都会把这个小目标评测流程固定下来，每次迭代模型先跑它，通过再谈上线，免得在现场翻车后回头找数据问题。这套数据本身质量不错，但工程落地从来不是把 2056 张图喂进去就完事，希望这份流程能帮你少走几趟弯路，一次把烟火检测跑通。

本文还有配套的精品资源，点击获取