⌈ 传知代码 ⌋ 2 行代码搞定火灾检测

💛前情提要💛

本文是传知代码平台中的相关前沿知识与技术的分享~

接下来我们即将进入一个全新的空间，对技术有一个全新的视角~

本文所涉及所有资源均在传知代码平台可获取

以下的内容一定会让你对AI 赋能时代有一个颠覆性的认识哦！！！

以下内容干货满满，跟上步伐吧~

📌导航小助手📌

💡本章重点
🍞一. 概述
🍞二. 演示效果
🍞三. 训练过程可视化
🍞四. 核心逻辑
🍞五. 使用方式
🫓总结

💡本章重点

2 行代码搞定火灾检测

🍞一. 概述

火灾是一种具有严重破坏性的灾害，给人类的生命财产安全带来了巨大威胁。随着人工智能技术的不断发展，利用深度学习算法进行火灾检测成为了可能。

本文提出了基于YOLOv7的火灾检测系统设计与实现。该系统利用YOLOv7深度学习模型，能够实时监测火灾并准确地进行定位。

首先，介绍了YOLOv7模型的基本原理和结构，以及在火灾检测中的应用方式。
其次，详细描述了火灾检测系统的设计思路和实现过程，包括数据集的准备、模型训练、推理过程等。在实验部分，使用了多种开源工具和库，如matplotlib、numpy、opencv-python、Pillow、PyYAML、requests、scipy等，以及torch和torchvision作为主要的深度学习框架。通过对公开的火灾检测数据集进行训练和测试，评估了系统的性能和效果。
实验结果表明，该系统在火灾检测任务中表现出了较高的准确性和稳定性，能够有效地检测不同场景下的火灾，并准确地进行定位。
最后，讨论了系统的局限性和未来的改进方向，为进一步完善火灾检测系统提供了参考。综上所述，本文提出的基于YOLOv7的火灾检测系统具有较高的实用性和应用前景，为提升火灾应对能力提供了有力支持。

技术特点

（1）YOLO v7算法实现，模型一键切换更新；
（2）检测图片、视频等图像中的火灾行为；
（3）摄像头监控实时检测。
（4）检测结果可视化功能；
（5）提供训练数据集和代码，可重新训练模型；

数据集展示

在这里插入图片描述
数据集采用了火灾数据集，数据集经过处理后可以直接使用

网络结构

在这里插入图片描述
Yolov7网络结构是由Input、Backbone、Neck、Prediction组成。Yolo75的Input部分是网络的输入端，采用Mosaic数据增强方式，对输入数据随机裁剪，然后进行拼接。

Backbone是Yolov5提取特征的网络部分，特征提取能力直接影响整个网络性能。Yolov7的Backbone相比于之前Yolov4提出了新的Focus结构。

Focus结构是将图片进行切片操作，将W（宽）、H（高）信息转移到了通道空间中，使得在没有丢失任何信息的情况下，进行了2倍下采样操作。

🍞二. 演示效果

在这里插入图片描述

🍞三. 训练过程可视化

在深度学习中，我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv7训练时主要包含三个方面的损失：矩形框损失(box_loss)、置信度损失（obj_loss）和分类损失(cls_loss)，模型训练曲线图如下图所示。

在这里插入图片描述

般我们会利用召回率recall和精度precision，两个指标p和r都是简单地从一个角度来判断模型的好坏，为了综合评价目标检测的性能，一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值，可以得到在模型在不同的阈值下所计算出的p值和r值，一般情况下，p值和r值是负相关的，绘制出来可以得到如下图所示的曲线。

在这里插入图片描述

🍞四. 核心逻辑

model = torch.hub.load('./','custom','/home/baipengfei/yolov7/runs/train/exp/weights/best.pt',force_reload=True, source='local',trust_repo=True)
gr.Interface(inputs=["image"],outputs=["image"],fn=lambda img:model(img).render()[0]).launch()