YOLOv5是目标检测领域一种非常优秀的模型，其具有以下几个优势：
1. 高精度：YOLOv5相比于其前身YOLOv4，在目标检测精度上有了显著的提升。YOLOv5使用了一系列的改进，如更深的网络结构、更多的特征层和更高分辨率的输入图像，以提升精度。
2. 高效性能：YOLOv5在目标检测任务中具有很高的处理速度和实时性。相比于其他目标检测模型，YOLOv5采用了更少的计算量和参数数量，因此它在目标检测任务中具有更快的推理速度。
3. 简单易用：YOLOv5是一个开源项目，源代码公开，并且提供了预训练的模型权重。这使得使用YOLOv5进行目标检测变得非常方便，无需从头开始训练模型，只需进行适当的微调即可。
4. 多平台适用：YOLOv5可以在多种平台上运行，包括PC端、嵌入式设备和移动设备等。这使得YOLOv5可以在各种场景下应用，如自动驾驶、智能安防、人脸识别等。
5. 多功能：YOLOv5可以检测和分类多个不同的目标类别，包括人、车辆、动物等。此外，YOLOv5还可以检测出目标的位置和大小，并提供相应的置信度。
总之，YOLOv5具有高精度、高效性能、简单易用、多平台适用和多功能等优势，使其成为目标检测领域中的一种前沿模型。
本文介绍了基于Yolov5的火焰烟雾检测模型，包括训练过程和数据准备过程，同时提供了推理的代码。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。
示例图下：
一、安装YoloV5
yolov5和yolov8的开发团队相同，v5集成在v8中。官方文档：主页 - Ultralytics YOLOv8 文档
安装部分参考：官方安装教程
二、数据集准备
火灾烟雾检测数据集，检测2种：火焰和烟雾。训练集总共6007张图，验证集667张图。
示例图片如下：
本文提供转换好的yolov5格式数据集，可以直接放入yolov5中训练，数据集地址（yolov5和yolov8格式相同）：火灾、烟雾检测yolov5数据集
三、模型训练
1、数据集配置文件
在ultralytics/ultralytics/cfg/datasets目录下添加fire_smoke.yaml，添加以下内容（path修改为自己的路径）：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco ← downloads here (20.1 GB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: datasets/fire_smoke/fire_smoke-yolov8 # 替换为自己的数据集路径
train: images/train
val: images/val
test: images/val
# Classes
names:
# 0: normal
0: fire
1: smoke
2、修改模型配置文件
在ultralytics/ultralytics/cfg/models/v5目录下添加yolov5_fire_smoke.yaml，添加以下内容：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv5 object detection model with P3-P5 outputs. For details see https://docs.ultralytics.com/models/yolov5
# Parameters
nc: 2 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov5n.yaml' will call yolov5.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.33, 0.25, 1024]
s: [0.33, 0.50, 1024]
m: [0.67, 0.75, 1024]
l: [1.00, 1.00, 1024]
x: [1.33, 1.25, 1024]
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc]], # Detect(P3, P4, P5)
]
3、训练模型
使用如下命令训练模型，相关路径更改为自己的路径，建议绝对路径：
yolo detect train project=deploy name=yolov5_fire_smoke exist_ok=False optimizer=auto val=True amp=True epochs=100 imgsz=640 model=ultralytics/ultralytics/cfg/models/v5/yolov5_fire_smoke.yaml data=ultralytics/ultralytics/cfg/datasets/fire_smoke.yaml
4、验证模型
使用如下命令验证模型，相关路径根据需要修改：
yolo detect val imgsz=640 model=deploy/yolov5_fire_smoke/weights/best.pt data=ultralytics/ultralytics/cfg/datasets/fire_smoke.yaml
四、推理
训练好了模型，可以使用如下代码实现推理，将权重放到同级目录：
from PIL import Image
from ultralytics import YOLO
# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')
# 在'bus.jpg'上运行推理
image_path = 'fire_000824.jpg'
results = model(image_path) # 结果列表
# 展示结果
for r in results:
im_array = r.plot() # 绘制包含预测结果的BGR numpy数组
im = Image.fromarray(im_array[..., ::-1]) # RGB PIL图像
im.show() # 显示图像
im.save('results.jpg') # 保存图像
本教程训练好的权重和推理代码、示例代码连接：推理代码和训练好的权重
