去年给工业园区做智慧消防改造，要把园区200多路监控全部接入AI烟火智能检测，替代传统的烟感温感传感器。传统方案的痛点很明显：室内还好，室外开阔区、仓储堆场、林区根本覆盖不到，等传感器报警的时候火已经烧起来了，完全失去了早期预警的意义。
一开始团队图省事，直接拿公开数据集训好的YOLOv26-s模型上线跑，结果上线三天就被保安队投诉了：一天报四十多次警，一半是夕阳反光、汽车尾灯、电焊火星，真的小火苗测试了三次，有两次没检测出来，远处的淡烟雾更是完全看不见。
后来花了两个半月专项优化，从数据集构建、模型小目标改造，到推理端时序滤波、边缘部署，全链路挨个磨，最终落地后，1080P监控下5米外的打火机火苗、20米外的初期烟雾都能稳定检出，全天误报控制在2次以内，16路视频流在RK3588边缘盒上能实时跑满，预警时间比传统传感器提前了6-8分钟。
今天就把整套方案完整拆开，从核心痛点、数据处理、模型改造到工程落地，讲透监控场景下YOLO烟火检测的小目标难题与解法。
一、先搞懂：监控烟火检测，为什么小目标是绕不开的死穴
烟火检测的核心价值是早期预警——等火苗窜到半人高、烟雾遮天蔽日才检测出来，已经晚了。但恰恰是早期的小尺寸烟火，是检测难度最高的部分，也是绝大多数预训练模型的盲区。
1.1 四个绕不开的核心痛点
目标极小，占比极低
1080P的监控画面里，5米外的初期火苗只有8×12像素，占整张图比例不到0.01%；远处的淡烟雾更是只有零星几个像素。经过YOLO五次下采样后，到深层特征图上连一个完整
