简介：本资源为面向目标检测学习者的YOLO烟雾检测数据集，适用于安防监控、工业安全等场景下的烟雾识别模型训练，兼顾入门与进阶需求。压缩包共2000个文件，约86.54MB，包含1000张真实场景高质量图片，以及voc（xml）、coco（json）和yolo（txt）三种格式标签，分别存放于不同文件夹，可直接用于YOLO系列模型训练。此外还提供数据集划分脚本、YOLO环境搭建与训练教程，方便按需划分训练集、验证集和测试集。目前已有362人学习下载。资源覆盖从数据准备到模型训练的完整流程，标注框质量高，场景丰富，能帮助读者快速搭建烟雾检测实验环境，减少数据整理与格式转换的重复工作，适合课程设计、科研实验及工程验证使用。
1. 烟雾目标检测为什么值得从一套 1000 张的数据集开始
工业现场、仓储园区、老旧楼宇里，烟雾往往比明火更早出现，但摄像头拍到的烟雾边界模糊、半透明、形态随风飘散，用传统阈值或颜色分割几乎必翻车。这也是为什么越来越多团队转向 YOLO 烟雾目标检测：它把「哪里像烟」交给卷积网络去学，而不是靠人去写规则。你手上如果只有算法没有数据，模型再新也训不出东西；反过来，一套标注规范、格式齐全、划分合理的 1000 张烟雾数据集，配合 YOLO 预训练模型微调，往往就能跑出一个能上边缘盒子做初筛的基线。
这套标题里的资源，核心价值不在「1000 张」这个数字，而在于它同时给了 VOC、COCO、YOLO 三种格式标签和划分脚本。做过检测的人都知道，公开烟雾数据要么只有图片没标注，要么只有单一格式，拿到手第一件事就是写转换脚本、重新划分、对齐类别名，光这些杂活就能耗掉一两天。它把这段脏活前置了，让你能把时间花在训练调参和部署验证上。适合谁？适合刚接触 YOLO 目标检测、想找一个完整闭环练手的工程师，也适合手里有业务场景、需要快速验证「烟雾检测这条路走不走得通」的团队。下面我按「先看懂数据 → 再跑通训练 → 再避开坑」的顺序，把整套流程拆开讲。
2. 拆开这套数据集：三种标签格式到底怎么选、怎么对齐
2.1 VOC、COCO、YOLO 三种格式的差异与适用场景
同一批图片，三种标签格式描述的是同一件事，但组织方式完全不同。VOC 用 XML，一张图一个文件，框用xmin/ymin/xmax/ymax绝对坐标；COCO 用一个大的 JSON，所有图片和标注集中管理，框是[x, y, width, height]绝对坐标加category_id；YOLO 用 txt，一张图一个文件，每行class_id cx cy w h，全部是相对图片宽高的归一化值。选哪个不取决于哪个「高级」，而取决于你下游用什么框架和工具链。
| 格式 | 存储方式 | 坐标类型 | 典型用途 |
|---|---|---|---|
| VOC | 每图一个 XML | 绝对像素 | 老牌检测框架、标注工具导入导出 |
| COCO | 单个 JSON | 绝对像素 | 评估指标、pycocotools、多任务 |
| YOLO | 每图一个 txt | 归一化相对值 | Ultralytics 系训练直接读取 |
我一般会以 YOLO 格式作为训练主格式，因为 Ultralytics 的 YOLO 系列直接吃这个；VOC 留着做标注复核和跨工具迁移；COCO 留着跑 mAP 评估和跟别的模型对比。三种格式并存的最大好处是：你换框架时不用重新标注，只换读取层。
2.2 用脚本把 VOC 转成 YOLO：坐标归一化与类别映射
拿到 VOC 的 XML 后，转 YOLO 的核心就两件事：把绝对坐标除以图片宽高变成相对值，把类别名映射成从 0 开始的整数 id。下面这段脚本我用了很多次，逻辑清晰，边界也处理了。
import os import xml.etree.ElementTree as ET from PIL import Image # 类别名到 id 的映射，顺序一旦定下就不要改，训练和推理必须一致 CLASSES = ["smoke"] CLASS_TO_ID = {name: i for i, name in enumerate(CLASSES)} def voc_to_yolo(xml_dir, img_dir, out_dir): os.makedirs(out_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(".xml"): continue tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() # 图片文件名在 XML 的 filename 节点里，用它去定位原图拿宽高 img_name = root.find("filename").text img_path = os.path.join(img_dir, img_name) with Image.open(img_path) as im: w, h = im.size lines = [] for obj in root.iter("object"): cls_name = obj.find("name").text.strip() if cls_name not in CLASS_TO_ID: continue # 类别不在白名单里直接跳过，避免脏标注污染训练 bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # 归一化并转成中心点加宽高 cx = (xmin + xmax) / 2.0 / w cy = (ymin + ymax) / 2.0 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h # 裁剪到 [0,1]，防止标注越界导致训练报错 cx, cy = min(max(cx, 0), 1), min(max(cy, 0), 1) bw, bh = min(max(bw, 0), 1), min(max(bh, 0), 1) lines.append(f"{CLASS_TO_ID[cls_name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") out_file = os.path.join(out_dir, os.path.splitext(xml_file)[0] + ".txt") with open(out_file, "w") as f: f.write("\n".join(lines)) voc_to_yolo("Annotations", "JPEGImages", "labels")逻辑说明：先读 XML 拿框，再用对应图片的真实宽高做归一化，这一步必须用原图尺寸，不能用固定值，否则不同分辨率图片的框会整体偏移。参数说明：CLASSES是类别白名单，烟雾检测通常就一个类，如果你还区分「白烟/黑烟」就加进去，但 id 顺序定下后训练、推理、评估三处必须完全一致。:.6f保留六位小数是 YOLO 生态的常见精度，够用且不会让文件过大。跑完检查一下 labels 目录里 txt 数量和图片数量是否一一对应，少一个都说明有图没标注或文件名对不上。
2.3 划分脚本怎么写才不会有数据泄漏
划分训练集、验证集、测试集看着简单，坑却最多。最常见的错误是按图片随机分，但同一段视频抽出来的连续帧被分到训练和验证两边，验证集精度虚高，上线就露馅。正确做法是先按场景或视频源分组，再在组级别划分。
import os import random import shutil def split_dataset(img_dir, label_dir, out_dir, ratios=(0.8, 0.1, 0.1), seed=42): random.seed(seed) # 固定种子，保证每次划分可复现 imgs = [f for f in os.listdir(img_dir) if f.lower().endswith((".jpg", ".png"))] # 按文件名前缀分组，同一段视频的帧前缀相同，避免泄漏 groups = {} for f in imgs: key = f.split("_")[0] groups.setdefault(key, []).append(f) keys = list(groups.keys()) random.shuffle(keys) n = len(keys) n_train = int(n * ratios[0]) n_val = int(n * ratios[1]) splits = { "train": keys[:n_train], "val": keys[n_train:n_train + n_val], "test": keys[n_train + n_val:], } for split, gkeys in splits.items(): for sub in ("images", "labels"): os.makedirs(os.path.join(out_dir, split, sub), exist_ok=True) for k in gkeys: for f in groups[k]: shutil.copy(os.path.join(img_dir, f), os.path.join(out_dir, split, "images", f)) txt = os.path.splitext(f)[0] + ".txt" src = os.path.join(label_dir, txt) if os.path.exists(src): shutil.copy(src, os.path.join(out_dir, split, "labels", txt)) split_dataset("images", "labels", "dataset")逻辑说明：seed=42保证结果可复现，团队协作时大家划分一致才能对比实验。按文件名前缀分组是关键，如果你的图片命名没有规律，就退而求其次按拍摄时间段或来源目录分组。参数说明：ratios是训练/验证/测试比例，1000 张规模下 8:1:1 比较稳，验证集太小会让早停判断抖动。划分完务必统计三个子集的图片数和标注框数，如果某一类在验证集里一个框都没有，说明划分偏了，要重新调种子或分层抽样。
3. 用 YOLO 把 1000 张烟雾数据训到能用的最小流程
3.1 环境配置与预训练权重选择
环境这块，我一般用 Python 3.10 加 PyTorch，显卡从 RTX 3060 到 V100 都跑过，1000 张图用 yolov8n 或 yolov8s 这种小模型就够，别一上来就上大模型，数据量撑不住反而过拟合。安装直接走 pip：
pip install ultralytics # 验证环境和 GPU 是否可用 yolo checksyolo checks会打印 PyTorch 版本、CUDA 是否可用、显卡型号，这一步能提前发现驱动和 CUDA 不匹配的问题，比训练到一半报错强。预训练权重用官方发布的 yolov8n.pt 或 yolov8s.pt，加载预训练权重做微调，比从零训收敛快得多，1000 张图通常 100 到 150 轮就能看到稳定结果。注意权重版本和 ultralytics 版本要匹配，版本错配有时会报 key 不匹配，遇到就换对应版本的权重。
3.2 data.yaml 的字段含义与常见写错点
YOLO 训练靠一个 data.yaml 描述数据位置和类别，字段少但每个都关键。
path: /data/smoke_dataset # 数据集根目录，绝对路径最稳 train: train/images # 相对 path 的训练图片目录 val: val/images test: test/images nc: 1 # 类别数，烟雾检测通常为 1 names: ["smoke"] # 类别名，顺序必须和标签里的 id 对应逻辑说明：path用绝对路径能避免工作目录变化导致的找不到文件。train/val/test写的是图片目录，YOLO 会自动去找同级的 labels 目录，所以目录结构必须是train/images和train/labels并列。参数说明：nc和names长度必须一致，names的顺序就是标签里 class_id 的顺序，写反了模型会把烟学成背景。最常见的写错点是把train写成图片文件列表而不是目录，或者 labels 目录名拼错，训练一开始就报找不到标签。
3.3 启动训练与关键超参怎么设
命令行启动训练最直接：
yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=150 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=30 \ project=runs/smoke \ name=exp1逻辑说明：model=yolov8n.pt加载预训练权重做微调。imgsz=640是速度和精度的平衡点，烟雾目标通常占画面比例不小，640 够用；如果小目标烟雾多，可以提到 960 但显存和耗时都会涨。参数说明：batch=16在 8G 显存上比较稳，显存不够就降到 8 并配合accumulate做梯度累积。lr0=0.01是初始学习率，微调场景可以降到 0.001 更稳。patience=30表示验证指标 30 轮不提升就早停，省时间也防过拟合。训练过程中重点看mAP50和mAP50-95两条曲线，如果训练 loss 一直降但验证 mAP 早早走平甚至下降，就是过拟合信号，该加数据增强或减模型容量了。
3.4 训练完怎么验证模型真的学到了烟
训练结束别只看最后的 mAP 数字，要拿测试集实际跑一遍推理，把预测框画出来肉眼过一遍。用下面的脚本批量推理并保存可视化结果：
from ultralytics import YOLO import os model = YOLO("runs/smoke/exp1/weights/best.pt") test_dir = "dataset/test/images" for img in os.listdir(test_dir): results = model(os.path.join(test_dir, img), conf=0.25) # save=True 会把带框的图存到 runs/detect 下，方便逐张核对 results[0].save(filename=f"vis/{img}")逻辑说明：conf=0.25是置信度阈值，低于它的框不显示，调高会漏检、调低会误检，先用 0.25 看整体表现。参数说明：best.pt是验证集上表现最好的权重，别用last.pt，最后一轮往往已经过拟合。看可视化时重点盯三类：漏检的烟（尤其淡烟、远距离烟）、把云雾或蒸汽误检成烟、框位置偏移。这些现象直接告诉你下一步是补数据还是调增强。混淆矩阵也值得看，如果背景被大量误判为烟，说明负样本不够，得往训练集里加不含烟的相似场景图。
4. 烟雾检测训练里最容易翻车的几个地方
4.1 现象：训练 loss 正常但 mAP 一直上不去
原因：多半是标签和图片没对齐，或者类别 id 映射错了。YOLO 对错位标签不会报错，只会默默学歪。解决：随机抽 10 张图，用可视化脚本把标签框画到原图上，肉眼确认框的位置和类别对不对。再检查 data.yaml 的 names 顺序和标签里的 id 是否一致。
4.2 现象：验证集 mAP 很高，换一批现场图就崩
原因：数据泄漏或场景单一。同一段视频的帧被分到了训练和验证两边，验证集等于在考训练集见过的画面。解决：回到划分脚本，按视频源或拍摄场景分组再划分，确保验证集里的场景训练时没见过。同时补充不同光照、不同距离的烟雾图。
4.3 现象：训练中途 loss 突然变成 nan
原因：学习率太大、标注框越界、或者某张图尺寸异常。解决：先把lr0降到 0.001 重跑；再用脚本扫一遍所有标签，检查有没有 cx/cy/w/h 超出 [0,1] 的框，有就裁剪或剔除；最后确认没有 0 字节的损坏图片。
4.4 现象：模型把白云、蒸汽、雾气全当成烟
原因：负样本不足，模型没学会区分「烟」和「像烟但不是烟」的东西。解决：往训练集里加入不含烟但含云、雾、蒸汽的负样本图，标签文件留空即可。负样本比例一般控制在正样本的 10% 到 20%，太多会拉低召回。
4.5 现象：推理速度远低于预期
原因：输入尺寸设太大，或者用了大模型。解决：烟雾检测对实时性要求高时，把imgsz降到 416 或 320，换 yolov8n，再导出成 ONNX 或 TensorRT 推理，速度能提升明显。注意导出后要重新验证精度，量化有时会掉点。
5. 把 1000 张数据用出复利：增强策略与迭代习惯
1000 张图不算多，但用对了能顶几千张。我的习惯是先把基线跑通，拿到一个能看的 mAP，再针对性做增强。烟雾检测最有效的增强是 Mosaic 和随机透视，Mosaic 把四张图拼一张，能显著提升小目标和遮挡场景的表现；随机透视模拟不同拍摄角度。但要注意，Mosaic 在训练最后几十轮最好关掉，让模型在真实分布上收尾，否则框的分布和真实场景有偏差。颜色抖动（HSV）对烟雾也有用，因为现场光照差异大，但抖动幅度别太大，否则淡烟会被抖没。
迭代上我一般按「看错例 → 补数据 → 重训 → 对比」循环。每次训练完把误检和漏检的图单独挑出来，看是缺这类场景还是标注有问题。如果是缺场景，就想办法补几十张同类图；如果是标注漏标，就修标签重训。别一次改太多变量，否则不知道是哪个改动起了作用。评估时除了 mAP，还要看不同置信度下的召回和误报，工业场景往往宁可多报也不能漏报，阈值可以适当调低。
最后说个我踩过的坑：早期我图省事，把验证集和测试集混着调参，结果模型在测试集上表现虚高，上线后误报一堆。后来我强制自己测试集只在最终验收时用一次，调参全程只看验证集。这个习惯看着笨，但能让你对模型的真实水平心里有数。数据集的格式转换、划分、训练这条链路，跑通一次之后就是可复用的资产，换个场景换批数据就能再来一轮。希望帮到你。
本文还有配套的精品资源，点击获取
