YOLO26应急管理：火灾烟雾识别系统搭建教程
近年来，基于深度学习的视觉感知技术在公共安全领域展现出巨大潜力。特别是在应急管理场景中，实时、准确地识别火灾与烟雾对于减少灾害损失至关重要。传统监控系统依赖人工值守或简单阈值报警，存在响应滞后、误报率高等问题。而YOLO系列模型凭借其高精度与实时性，已成为智能安防系统的首选目标检测方案。
本文将围绕最新发布的YOLO26 官方版训练与推理镜像，手把手教你如何快速搭建一套可用于实际部署的火灾烟雾识别系统。该系统不仅支持图像和视频流的实时检测，还可根据自定义数据集进行微调训练，具备良好的工程落地能力。通过本教程，你将掌握从环境配置、模型推理、数据准备到模型训练与结果导出的完整流程。
1. 镜像环境说明
本镜像基于YOLO26 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用，极大简化了部署复杂度。
1.1 核心依赖版本
| 组件 | 版本 |
|---|---|
| PyTorch | 1.10.0 |
| CUDA | 12.1 |
| Python | 3.9.5 |
| Torchvision | 0.11.0 |
| Torchaudio | 0.10.0 |
| CUDAToolkit | 11.3 |
此外，已集成以下常用库：
numpyopencv-pythonpandasmatplotlibtqdmseaborn
所有依赖均已完成编译优化，避免因版本冲突导致运行失败，确保用户可直接进入开发阶段。
2. 快速上手
启动镜像后，界面如下图所示：
默认工作空间包含完整 Ultralytics 框架源码，结构清晰，便于二次开发。
2.1 激活环境与切换工作目录
激活 Conda 环境
在使用前，请先激活专用的 Conda 环境：
conda activate yolo提示：若未执行此命令，可能导致包导入错误或GPU不可用。
复制代码至数据盘
为防止系统盘被写满并方便持久化修改，建议将代码复制到/root/workspace/目录下：
cp -r /root/ultralytics-8.4.2 /root/workspace/随后进入项目根目录：
cd /root/workspace/ultralytics-8.4.22.2 模型推理
YOLO26 支持多种任务类型（分类、检测、分割、姿态估计），我们以最常用的图像检测为例，演示火灾烟雾识别的基本推理流程。
修改 detect.py 文件
打开detect.py，替换为以下内容：
# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：detect.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ from ultralytics import YOLO if __name__ == '__main__': # Load a model model = YOLO(model=r'yolo26n-pose.pt') model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False, )参数详解
| 参数 | 说明 |
|---|---|
model | 可填入模型权重路径（.pt）或模型配置文件（.yaml）。支持yolo26n,yolo26s,yolo26m,yolo26l,yolo26x等不同规模模型。 |
source | 输入源路径。支持： • 图片路径（如 'test.jpg'）• 视频路径（如 'video.mp4'）• 摄像头编号（如 0表示本地摄像头） |
save | 是否保存预测结果。设为True将自动保存至runs/detect/predict/子目录。 |
show | 是否弹窗显示结果。服务器环境下建议设为False，避免GUI异常。 |
执行推理命令
python detect.py运行成功后，终端会输出检测耗时、FPS等信息，并生成带标注框的结果图像。
推理结果默认保存在
runs/detect/predict/路径下，可通过Xftp下载查看。
2.3 模型训练
要实现对火灾烟雾的精准识别，需使用特定领域的数据集进行训练。以下是基于自定义数据集的完整训练流程。
准备 YOLO 格式数据集
YOLO要求数据集遵循如下结构：
dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml其中每张图片对应一个.txt标注文件，格式为：
<class_id> <x_center> <y_center> <width> <height>坐标归一化至[0,1]区间。
配置 data.yaml
上传数据集后，在项目根目录创建data.yaml，内容示例如下：
train: ./dataset/images/train val: ./dataset/images/val nc: 2 names: ['fire', 'smoke']nc: 类别数量names: 类别名称列表
编辑 train.py 训练脚本
创建或修改train.py文件：
# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：train.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') model.load('yolo26n.pt') # 加载预训练权重,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升 model.train(data=r'data.yaml', imgsz=640, epochs=200, batch=128, workers=8, device='0', optimizer='SGD', close_mosaic=10, resume=False, project='runs/train', name='exp', single_cls=False, cache=False, )关键参数说明
| 参数 | 值 | 含义 |
|---|---|---|
imgsz | 640 | 输入图像尺寸，越大精度越高但速度越慢 |
epochs | 200 | 训练轮数，可根据验证集表现提前终止 |
batch | 128 | 批次大小，受显存限制，建议根据GPU调整 |
device | '0' | 使用GPU编号，多卡可用'0,1,2' |
optimizer | 'SGD' | 优化器类型，也可选'Adam','AdamW' |
close_mosaic | 10 | 最后10个epoch关闭Mosaic增强，提升稳定性 |
resume | False | 是否从中断处继续训练 |
开始训练
执行命令：
python train.py训练过程中会实时输出损失值、mAP等指标，并自动绘制曲线图保存至runs/train/exp/目录。
2.4 下载训练结果
训练完成后，模型权重文件（.pt）、日志图表、配置文件等均保存在指定输出目录中（默认为runs/train/exp/）。
使用 Xftp 下载文件
- 打开 Xftp 连接服务器。
- 在右侧远程窗口导航至
runs/train/exp/。 - 将整个文件夹拖拽至左侧本地目录即可完成下载。
- 单个文件可双击直接下载。
- 大文件建议先压缩再传输，节省时间。
建议操作：训练结束后打包结果：
zip -r exp.zip runs/train/exp/
3. 已包含权重文件
为方便用户快速测试与迁移学习，镜像内已预下载常用 YOLO26 权重文件，存放于项目根目录：
/root/workspace/ultralytics-8.4.2/ ├── yolo26n.pt ├── yolo26s.pt ├── yolo26m.pt ├── yolo26l.pt ├── yolo26x.pt ├── yolo26n-pose.pt └── ...这些模型覆盖了目标检测、实例分割、姿态估计等多种任务，可直接用于推理或作为预训练起点。
4. 常见问题
4.1 数据集准备注意事项
- 确保标签文件与图片同名且一一对应。
- 使用工具如 LabelImg 或 CVAT 进行高效标注。
- 划分训练集与验证集比例建议为
8:2或9:1。
4.2 环境相关问题
- 镜像启动后默认处于
torch25环境，请务必执行conda activate yolo切换至正确环境。 - 若出现
ModuleNotFoundError，检查是否遗漏激活环境。
4.3 显存不足处理
当batch=128报错 OOM 时，可逐步降低批次大小：
batch=64 # 或 32、16同时可启用梯度累积模拟大batch效果：
model.train(..., batch=32, accumulate=4) # 等效于 batch=1285. 总结
本文详细介绍了如何利用YOLO26 官方版训练与推理镜像快速构建火灾烟雾识别系统。从环境配置、模型推理、数据集准备到模型训练与结果导出，形成了完整的闭环流程。
核心要点总结如下：
- 开箱即用：镜像预装全部依赖，省去繁琐环境配置。
- 灵活扩展：支持图像、视频、摄像头输入，适用于多种应急监控场景。
- 可定制训练：通过
data.yaml和train.py实现领域适配，提升特定任务性能。 - 高效部署：训练结果可一键导出，便于集成至边缘设备或云端服务。
未来可进一步探索方向包括：
- 引入轻量化模型（如
yolo26n）部署于低功耗设备； - 结合报警系统实现自动通知；
- 使用半自动标注+主动学习降低标注成本。
通过本教程，开发者可在短时间内完成从零到上线的全流程验证，加速AI在应急管理中的落地应用。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
