---
title: yolov8-fire-smoke-merged
canonical_url: "https://www.modelscope.cn/models/zyazyz008/yolov8-fire-smoke-merged"
md_url: "https://www.modelscope.cn/models/zyazyz008/yolov8-fire-smoke-merged.md"
repository: zyazyz008/yolov8-fire-smoke-merged
chinese_name: "YOLOv8s 明火/烟雾检测"
last_updated: 2026-09-07
license: "Apache License 2.0"
pipeline_tag: image-object-detection
tasks:
  - image-object-detection
library_name:
  - pytorch
frameworks:
  - pytorch
language:
  - zh
downloads: 2
stars: 2
tags:
  - "烟火检测"
  - "明火检测"
  - "烟雾检测"
  - fire
  - smoke
  - YOLOv8
  - YOLOv8s
  - "安防监控"
  - "视频检测"
---

# yolov8-fire-smoke-merged

> yolov8-fire-smoke-merged - zyazyz008 在 ModelScope 开源的模型。YOLOv8s 明火 / 烟雾检测（fire + smoke） 基于 mergedfiresmoke 真实场景合并数据集训练的 YOLOv8s 双类目标检测模型，面向监控视频流中的 明火（fire） 与 烟雾（smoke） 识别。 | 项 | 值 | |----|-----| | 状态 | 训练完成（早停/收敛权重） | | 仓库 |…

zyazyz008/yolov8-fire-smoke-merged 是 ModelScope 魔搭社区上的image-object-detection模型，采用 Apache License 2.0 许可。

- **Repository**: zyazyz008/yolov8-fire-smoke-merged
- **License**: Apache License 2.0
- **Tasks**: image-object-detection
- **Tags**: 烟火检测, 明火检测, 烟雾检测, fire, smoke, YOLOv8, YOLOv8s, 安防监控, 视频检测
- **Downloads**: 2
- **Stars**: 2
- **Last updated**: 2026-09-07

Source: https://www.modelscope.cn/models/zyazyz008/yolov8-fire-smoke-merged

---

# YOLOv8s 明火 / 烟雾检测（fire + smoke）

基于 **merged_fire_smoke** 真实场景合并数据集训练的 **YOLOv8s** 双类目标检测模型，面向监控视频流中的 **明火（fire）** 与 **烟雾（smoke）** 识别。

| 项 | 值 |
|----|-----|
| 状态 | 训练完成（早停/收敛权重） |
| 仓库 | `zyazyz008/yolov8-fire-smoke-merged` |
| 权重文件 | `best.pt`（约 **21.5 MB**） |
| Ultralytics | 8.4.123 |
| 权重日期 | 2026-09-01T17:38:23.481184+08:00 |
| 记录 epoch | **141** / 计划 150 |

## 1. 验证集核心指标（推荐引用）

训练过程中按 **mAP50** 选出的最佳点（及权重内嵌 `train_metrics`）：

| 指标 | 数值 | 说明 |
|------|------|------|
| **Precision** | **82.01%** | 精确率 |
| **Recall** | **71.68%** | 召回率 |
| **mAP50** | **79.57%** | IoU=0.50 平均精度 |
| **mAP50-95** | **49.53%** | IoU=0.50:0.95 平均精度 |
| Best epoch (by mAP50) | **120** | 曲线峰值 epoch |
| fitness (mAP50-95) | 0.49534 | Ultralytics fitness |

### 最佳点 vs 末轮对比

| 节点 | Epoch | Precision | Recall | mAP50 | mAP50-95 |
|------|-------|-----------|--------|-------|----------|
| **Best (mAP50)** | 120 | 82.08% | 71.66% | 79.61% | 49.48% |
| Last recorded | 141 | 81.60% | 72.25% | 79.17% | 49.04% |

### 损失（Best epoch）

| 损失 | Train | Val |
|------|-------|-----|
| box | 0.96560 | 1.28692 |
| cls | 0.75560 | 1.02464 |
| dfl | 1.16907 | 1.30543 |

## 2. 训练曲线

![Training Overview](assets/training_overview.png)

![mAP Curves](assets/map_curves.png)

## 3. 类别定义

| ID | 名称 | 中文 |
|----|------|------|
| 0 | `fire` | 明火 |
| 1 | `smoke` | 烟雾 |

## 4. 数据集

| 项 | 值 |
|----|-----|
| 名称 | `merged_fire_smoke` |
| 任务 | 目标检测（YOLO txt 标注） |
| Train 图像 | **53489** |
| Val 图像 | **9039** |
| Test 图像 | **7085** |
| 类别数 | 2（fire / smoke） |
| 场景 | 真实监控 / 合并烟火数据（含室内外、远近、小目标） |

## 5. 完整训练超参数（来自权重 `train_args`）

| 参数 | 值 |
|------|-----|
| `model` | `/home/system/fire_training_v4_real/yolov8s_real_fire/weights/last.pt` |
| `data` | `/home/system/merged_fire_smoke/merged_fire_smoke/data.yaml` |
| `epochs` | `150` |
| `batch` | `32` |
| `imgsz` | `640` |
| `device` | `0` |
| `workers` | `4` |
| `optimizer` | `SGD` |
| `lr0` | `0.01` |
| `lrf` | `0.01` |
| `momentum` | `0.937` |
| `weight_decay` | `0.0005` |
| `warmup_epochs` | `5` |
| `warmup_momentum` | `0.8` |
| `warmup_bias_lr` | `0.1` |
| `cos_lr` | `True` |
| `amp` | `True` |
| `patience` | `20` |
| `seed` | `42` |
| `deterministic` | `True` |
| `box` | `7.5` |
| `cls` | `0.5` |
| `dfl` | `1.5` |
| `nbs` | `64` |
| `hsv_h` | `0.015` |
| `hsv_s` | `0.7` |
| `hsv_v` | `0.4` |
| `degrees` | `0.0` |
| `translate` | `0.1` |
| `scale` | `0.5` |
| `shear` | `0.0` |
| `perspective` | `0.0` |
| `flipud` | `0.0` |
| `fliplr` | `0.5` |
| `bgr` | `0.0` |
| `mosaic` | `1.0` |
| `mixup` | `0.1` |
| `copy_paste` | `0.1` |
| `auto_augment` | `randaugment` |
| `erasing` | `0.4` |
| `close_mosaic` | `10` |
| `pretrained` | `True` |
| `resume` | `/home/system/fire_training_v4_real/yolov8s_real_fire/weights/last.pt` |
| `project` | `/home/system/fire_training_v4_real` |
| `name` | `yolov8s_real_fire` |
| `save_period` | `5` |
| `plots` | `True` |
| `val` | `True` |

### 训练环境摘要

| 项 | 值 |
|----|-----|
| 基座模型 | YOLOv8s（`pretrained=True`，自 real-fire checkpoint resume） |
| 计划 epochs | 150 |
| 实际记录 | 141（patience=20 早停） |
| batch | 32 |
| imgsz | 640 |
| 优化器 | SGD · lr0=0.01 · lrf=0.01 · cos_lr=True |
| 设备 | GPU `0`（训练机 Tesla V100） |
| AMP | True |
| Seed | 42 |

## 6. 推理建议（生产）

| 项 | 推荐值 | 说明 |
|----|--------|------|
| 推理 conf | **0.55** | YOLO 原始阈值 |
| 业务 min_confidence | **0.85** | 降低暖色衣物/皮肤误报 |
| imgsz | 640 | 与训练一致 |
| HSV 二次校验 | **与 YOLO 同时通过**（`hsv_fallback=false`） | scam_ai 六层防线 |
| 多帧确认 | window≥10，min_hits≥2 | 压制单帧闪报 |

## 7. 快速使用

### 下载

```bash
pip install modelscope ultralytics opencv-python
```

```python
from modelscope import snapshot_download

model_dir = snapshot_download("zyazyz008/yolov8-fire-smoke-merged")
print(model_dir)
```

### Ultralytics 推理

```python
from ultralytics import YOLO

model = YOLO(f"{model_dir}/best.pt")
results = model.predict("test.jpg", conf=0.55, imgsz=640)
results[0].show()
for box in results[0].boxes:
    cid = int(box.cls[0])
    print(results[0].names[cid], float(box.conf[0]), box.xyxy[0].tolist())
```

### 接入 scam_ai

```json
"fire_smoke": {
  "enabled": true,
  "model_path": "models/fire_v3/best.pt",
  "confidence": 0.55,
  "min_confidence": 0.85,
  "hsv_fallback": false
}
```

## 8. 文件清单

| 文件 | 说明 |
|------|------|
| `best.pt` | YOLOv8s 烟火检测权重 |
| `README.md` | 本模型卡片 |
| `configuration.json` | 魔搭元数据 |
| `metrics.json` | 结构化完整指标 |
| `args.yaml` | 训练超参数导出 |
| `assets/training_overview.png` | P/R/mAP + Loss 曲线 |
| `assets/map_curves.png` | mAP50 / mAP50-95 曲线 |
| `inference_example.py` | 最小推理示例 |

## 9. 许可与声明

- 权重以 **Apache License 2.0** 发布。
- 基座 YOLOv8 来自 Ultralytics，请同时遵守其许可证。
- 仅供安防监控研究与工程集成参考，请合规使用。
- 生产环境请配合业务阈值与多帧确认，勿仅依赖单帧检测。

## 10. 更新日志

- **2026-09-07**: 完整上传 merged 实景权重，补充验证指标、全量超参数、训练曲线与推理建议。
- **2026-09-01**: 权重产出（Ultralytics 8.4.123，记录 141 epoch）。
