【YOLO26 系列】基于YOLO26火灾检测系统【python源码+Pyqt5界面/WEB+数据集+训练代码】

---

导读

本文基于最新YOLO26目标检测模型，开发了一套适用于监控场景的火灾检测系统。项目针对火灾场景中的烟雾、火焰两类目标进行检测，配套包含数千张标注完成的火灾场景图像数据集，支持从数据集标注转换、模型训练到部署的全流程落地。系统同时提供PyQt5桌面GUI界面与Flask Web网页端两种交互方式，集成单张图片检测、文件夹批量检测、视频检测、实时摄像头检测四大核心功能，支持检测结果保存与报告导出，兼具高精度与实时推理能力，可广泛应用于森林防火、工业监控、楼宇安防等多种火灾预警场景。

演示视频

---

基于yolo26的火灾检测系统

一、软件功能演示

本项目提供桌面GUI界面和Web网页端两种交互方式，核心功能保持一致，包含以下五大核心子功能：

1.1 单张图片检测

操作流程：

1. 点击【📁 模型选择】按钮，加载训练完成的YOLO26火灾检测权重文件
2. 点击【🖼️ 图片检测】按钮，选择待检测的单张火灾场景图片
3. 系统自动完成推理，在界面展示检测结果并统计检测信息

检测结果示例：

序号	图片名称	检测类型	检测类别	置信度	坐标位置
1	test_001.jpg	图片检测	fire	0.92	(35, 120)-(280, 360)
2	test_001.jpg	图片检测	smoke	0.87	(250, 40)-(420, 180)

1.2 文件夹批量检测

操作流程：

1. 加载模型权重后，点击【📂 文件夹检测】按钮
2. 选择包含多张待检测图片的目标文件夹
3. 系统自动批量检测文件夹内所有支持格式的图片，并将所有检测结果保存至输出目录
4. 自动生成检测结果统计报告

批量检测结果统计示例：

总检测图片数：20张
检测到火灾目标：16张
总检测目标数：28个

• fire：12个
• smoke：16个

1.3 视频文件检测

操作流程：

1. 加载模型权重后，点击【🎬 视频检测】按钮
2. 选择本地视频文件（支持mp4、avi等常见格式）
3. 系统逐帧进行检测，实时在界面展示带检测框的推理画面
4. 检测完成后可选择保存带标注的检测视频

视频实时检测结果示例：

序号	画面位置	检测类型	检测类别	置信度	坐标位置
1	第128帧	视频检测	fire	0.89	(182, 142)-(320, 286)
2	第128帧	视频检测	smoke	0.78	(86, 52)-(220, 168)
3	第128帧	视频检测	fire	0.65	(340, 210)-(412, 298)

1.4 实时摄像头检测

操作流程：

1. 确保本地电脑连接可用摄像头，加载模型权重
2. 点击【📹 实时摄像头】按钮，启动摄像头实时采集
3. 系统对摄像头每一帧画面进行实时推理并展示检测结果
4. 点击【⏹️ 停止检测】可终止摄像头采集

1.5 检测结果保存

操作流程：

1. 完成任意类型的检测后，点击【💾 保存结果】按钮
2. 系统自动将带检测框的结果图片/视频保存至配置的输出目录
3. 同时导出txt/csv格式的检测结果报告，包含所有目标的类别、置信度、坐标信息

---

二、环境搭建

本项目基于PyTorch框架开发，提供两种环境搭建方式，请根据自身情况选择：

2.1 PyTorch手动安装（推荐）

本项目未包含torch和torchvision，需手动安装适配本地电脑CUDA版本的PyTorch，官方下载地址如下：

• torch下载
• torchvision下载

若对环境配置不熟悉，可参考B站详细安装教程：torch环境配置从零开始安装

2.2 pip安装其他依赖

配置好PyTorch环境后，进入项目根目录，执行以下命令安装剩余依赖：

pip install -r requirements.txt

requirements.txt包含的依赖列表：

aiohttp==3.14.1
albumentations==2.0.8
ax==0.52.0
clip==0.2.0
comet_ml==3.58.3
ConfigSpace==1.2.2
coremltools==9.0
dvclive==3.49.1
dx_com==2.3.0
faster_coco_eval==1.7.2
Flask==3.1.3
hub_sdk==0.0.24
ipython==8.12.3
lap==0.5.13
matplotlib==3.11.0
mct_quantizers==1.7.0
MNN==3.6.0
mobileclip==0.0.1
model_compression_toolkit==2.6.0
moviepy==2.2.1
pyqt5  # 若使用GUI界面需额外安装

2.3 Conda环境安装（可选）

若使用Anaconda管理环境，可通过以下命令创建新环境并安装依赖：

# 创建新环境
conda create -n yolo26-fire python=3.10 -y
conda activate yolo26-fire

# 安装PyTorch（以CUDA11.8为例）
conda install pytorch torchvision pytorch-cuda=11.8 -c pytorch -c nvidia

# 安装其他依赖
pip install -r requirements.txt

---

三、模型训练、评估、预测

3.1 数据集上传说明

3.1.1 数据集格式要求

本项目使用标准YOLO格式数据集，目录结构如下：

VOCData/
└── VOdevkit/
    ├── dataset.yaml  # 数据集配置文件
    ├── train/
    │   ├── images/   # 训练集图片
    │   └── labels/   # 训练集标签（txt格式）
    ├── val/
    │   ├── images/   # 验证集图片
    │   └── labels/   # 验证集标签
    └── test/
        ├── images/   # 测试集图片
        └── labels/   # 测试集标签

3.1.2 YOLO格式标签说明

YOLO格式中每个图片对应一个同名txt标签文件，每一行代表一个目标，格式为：

<class_id> <x_center> <y_center> <width> <height>

所有坐标均为归一化后的数值（范围0~1），示例：

1 0.432 0.356 0.215 0.420
0 0.218 0.126 0.154 0.218

• 本项目中：0代表smoke，1代表fire

3.1.3 从VOC格式转换（XML转YOLO格式）

若数据集为VOC标注格式（XML标注文件），可使用本项目提供的xml2txt.py脚本完成格式转换，完整代码如下：

import os
import xml.etree.ElementTree as ET

# 定义本项目类别顺序
categories = ['smoke', 'fire']
category_to_index = {category: index for index, category in enumerate(categories)}

# 替换为实际的XML文件夹路径和输出TXT文件夹路径
input_folder = r'./VOCData/Annotations'
output_folder = r'./VOCData/labels'

# 确保输出文件夹存在
os.makedirs(output_folder, exist_ok=True)

# 遍历输入文件夹中的所有XML文件
for filename in os.listdir(input_folder):
    if filename.endswith('.xml'):
        xml_path = os.path.join(input_folder, filename)
        # 解析XML文件
        tree = ET.parse(xml_path)
        root = tree.getroot()
        # 提取图像的尺寸
        size = root.find('size')
        width = int(size.find('width').text)
        height = int(size.find('height').text)
        # 存储目标信息
        objects = []

        # 遍历XML中的object标签
        for obj in root.findall('object'):
            name = obj.find('name').text
            if name in category_to_index:
                category_index = category_to_index[name]
            else:
                continue  # 如果name不在指定类别中，跳过该object

            bndbox = obj.find('bndbox')
            xmin = int(bndbox.find('xmin').text)
            ymin = int(bndbox.find('ymin').text)
            xmax = int(bndbox.find('xmax').text)
            ymax = int(bndbox.find('ymax').text)

            # 转换为中心点坐标和宽高，并归一化
            x_center = (xmin + xmax) / 2.0
            y_center = (ymin + ymax) / 2.0
            w = xmax - xmin
            h = ymax - ymin

            x = x_center / width
            y = y_center / height
            w_norm = w / width
            h_norm = h / height

            objects.append(f"{category_index} {x} {y} {w_norm} {h_norm}")

        # 输出结果到对应的TXT文件
        txt_filename = os.path.splitext(filename)[0] + '.txt'
        txt_path = os.path.join(output_folder, txt_filename)
        with open(txt_path, 'w') as f:
            for obj in objects:
                f.write(obj + '\n')

print("VOC格式转换YOLO格式完成！")

运行前请修改input_folder和output_folder为本地实际路径。

3.1.4 数据集划分脚本

格式转换完成后，使用SplitDataset.py将数据集划分为训练集、验证集、测试集，完整代码如下：

import os
import shutil
import random

# random.seed(0)  # 固定随机种子，可开启以保证划分结果可复现
def split_data(file_path, label_path, new_file_path, train_rate, val_rate, test_rate):
    images = os.listdir(file_path)
    labels = os.listdir(label_path)
    images_no_ext = {os.path.splitext(image)[0]: image for image in images}
    labels_no_ext = {os.path.splitext(label)[0]: label for label in labels}
    matched_data = [(img, images_no_ext[img], labels_no_ext[img]) for img in images_no_ext if img in labels_no_ext]

    unmatched_images = [img for img in images_no_ext if img not in labels_no_ext]
    unmatched_labels = [label for label in labels_no_ext if label not in images_no_ext]
    if unmatched_images:
        print("未匹配的图片文件:")
        for img in unmatched_images:
            print(images_no_ext[img])
    if unmatched_labels:
        print("未匹配的标签文件:")
        for label in unmatched_labels:
            print(labels_no_ext[label])

    random.shuffle(matched_data)
    total = len(matched_data)
    train_data = matched_data[:int(train_rate * total)]
    val_data = matched_data[int(train_rate * total):int((train_rate + val_rate) * total)]
    test_data = matched_data[int((train_rate + val_rate) * total):]

    # 处理训练集
    for img_name, img_file, label_file in train_data:
        old_img_path = os.path.join(file_path, img_file)
        old_label_path = os.path.join(label_path, label_file)
        new_img_dir = os.path.join(new_file_path, 'train', 'images')
        new_label_dir = os.path.join(new_file_path, 'train', 'labels')
        os.makedirs(new_img_dir, exist_ok=True)
        os.makedirs(new_label_dir, exist_ok=True)
        shutil.copy(old_img_path, os.path.join(new_img_dir, img_file))
        shutil.copy(old_label_path, os.path.join(new_label_dir, label_file))
    
    # 处理验证集
    for img_name, img_file, label_file in val_data:
        old_img_path = os.path.join(file_path, img_file)
        old_label_path = os.path.join(label_path, label_file)
        new_img_dir = os.path.join(new_file_path, 'val', 'images')
        new_label_dir = os.path.join(new_file_path, 'val', 'labels')
        os.makedirs(new_img_dir, exist_ok=True)
        os.makedirs(new_label_dir, exist_ok=True)
        shutil.copy(old_img_path, os.path.join(new_img_dir, img_file))
        shutil.copy(old_label_path, os.path.join(new_label_dir, label_file))
    
    # 处理测试集
    for img_name, img_file, label_file in test_data:
        old_img_path = os.path.join(file_path, img_file)
        old_label_path = os.path.join(label_path, label_file)
        new_img_dir = os.path.join(new_file_path, 'test', 'images')
        new_label_dir = os.path.join(new_file_path, 'test', 'labels')
        os.makedirs(new_img_dir, exist_ok=True)
        os.makedirs(new_label_dir, exist_ok=True)
        shutil.copy(old_img_path, os.path.join(new_img_dir, img_file))
        shutil.copy(old_label_path, os.path.join(new_label_dir, label_file))
    
    print("数据集划分完成！")

if __name__ == '__main__':
    # 修改为你本地的实际路径
    file_path = r"./VOCData/images"       # 所有图片所在文件夹
    label_path = r"./VOCData/labels"      # 所有标签所在文件夹
    new_file_path = r"./VOCData/VOdevkit" # 划分后数据存放位置
    # 划分比例：80%训练集，10%验证集，10%测试集
    split_data(file_path, label_path, new_file_path, train_rate=0.8, val_rate=0.1, test_rate=0.1)

运行脚本后，即可生成符合YOLO要求的数据集目录结构。

3.1.5 配置数据集yaml文件

最后，在VOCData/VOdevkit目录下创建dataset.yaml，内容如下（适配本项目火灾检测场景）：

# 数据集路径，相对于项目根目录
path: ../VOCData/VOdevkit
train: train/images  # 训练集图片路径
val: val/images      # 验证集图片路径
test: test/images    # 测试集图片路径（可选）

# 类别信息
nc: 2
names: ['smoke', 'fire']

3.2 模型训练

数据集准备完成后，即可开始训练，核心训练代码train.py如下：

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    # 加载YOLO26n预训练模型
    model = YOLO('yolo26n.pt')
    # 开始训练
    results = model.train(
        data=r'./VOCData/VOdevkit/dataset.yaml', # 数据集配置文件路径
        epochs=100,       # 训练轮次总数
        batch=16,         # 批量大小，根据显卡显存调整
        imgsz=640,        # 训练输入图像尺寸
        workers=8,        # 数据加载线程数
        device=0,         # 训练设备，GPU填0/1/...，CPU填'cpu'
        optimizer='SGD',  # 优化器，可选auto, SGD, Adam, AdamW
        amp=False,        # 自动混合精度训练
        cache=False       # 缓存数据集到内存，大内存服务器可开启
    )

训练参数说明：

参数	说明	推荐值
epochs	训练总轮次	火灾检测推荐100~150
batch	批量大小，需根据显卡显存调整	8G显存推荐8，16G显存推荐16
imgsz	输入图像尺寸	通用场景640，小目标检测可调整为800
workers	数据加载线程数	一般设置为CPU核心数的一半
device	训练设备，支持多GPU并行	有NVIDIA显卡使用GPU（填0），无显卡填cpu
amp	自动混合精度训练，可减少显存占用、加快训练速度	大部分场景可开启

启动训练命令：

python train.py

训练启动成功后，日志会输出模型信息、数据加载进度，随后开始逐轮训练。

3.3 训练结果评估

训练完成后，所有训练结果将保存至runs/detect/train/目录下，核心内容如下：

文件名/文件夹	说明
weights/	保存训练得到的权重文件
├─ best.pt	验证集表现最优的权重（推荐实际部署使用）
├─ last.pt	最后一轮训练结束时的权重
└─ epoch*.pt	每N轮训练保存的阶段性权重（需在训练参数中配置）
args.yaml	本次训练的完整参数配置记录
results.csv	每轮训练的精度、损失等指标数值记录
results.png	训练指标变化曲线可视化图（如损失曲线、精度曲线）
confusion_matrix.png	混淆矩阵，展示模型对各类别的分类情况
confusion_matrix_normalized.png	归一化混淆矩阵，消除类别样本数量差异的影响
BoxF1_curve.png	F1分数曲线，反映模型在不同置信度阈值下的综合性能
BoxPR_curve.png	PR曲线，展示精确率与召回率的权衡关系
BoxP_curve.png	精确率曲线，反映不同置信度阈值下模型的精确率变化
BoxR_curve.png	召回率曲线，反映不同置信度阈值下模型的召回率变化
labels.jpg	数据集标签分布可视化，展示各类别样本数量占比
train_batch*.jpg	训练批次样本可视化，展示数据增强后的效果
val_batch*_labels.jpg	验证集标签可视化，展示验证集原始标注情况
val_batch*_pred.jpg	验证集预测结果可视化，对比模型预测与原始标注的差异

可使用项目提供的val.py脚本在验证集上评估模型性能：

from ultralytics import YOLO
import numpy as np
from datetime import datetime

# 加载训练完成的最优权重
model = YOLO(r"runs/detect/train/weights/best.pt")

# 在验证集上进行评估
metrics = model.val(data=r"VOCData/VOdevkit/dataset.yaml")

# 计算均值精确率、均值召回率
mean_p = np.mean(metrics.box.p)
mean_r = np.mean(metrics.box.r)

# 整理评估结果
content = []
content.append("="*60)
content.append(f"验证时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
content.append("="*60)
content.append(f"整体 mAP50:        {metrics.box.map50:.4f}")
content.append(f"整体 mAP50-95:     {metrics.box.map:.4f}")
content.append(f"平均 Precision:    {mean_p:.4f}")
content.append(f"平均 Recall:       {mean_r:.4f}")
content.append("-"*60)
content.append(f"{'类别':<12}{'Precision':<12}{'Recall':<12}{'AP50':<12}")
content.append("-"*60)

# 输出每个类别的指标
for i, class_name in enumerate(['smoke', 'fire']):
    ap50 = metrics.box.ap50[i]
    precision = metrics.box.p[i]
    recall = metrics.box.r[i]
    content.append(f"{class_name:<12}{precision:<12.4f}{recall:<12.4f}{ap50:<12.4f}")

# 保存结果到文件
os.makedirs("results", exist_ok=True)
with open("results/detection_report.txt", "w", encoding="utf-8") as f:
    f.write("\n".join(content))

print("\n".join(content))

执行评估命令：

python val.py

3.4 模型预测

本项目支持单张图片、文件夹批量、视频、实时摄像头多种预测方式，单张图片预测示例代码如下：

from ultralytics import YOLO
import os

# 获取项目根目录
root = os.getcwd()
# 加载训练好的最优模型
model = YOLO(rf'{root}/runs/detect/train/weights/best.pt')
# 待预测图片路径，修改为本地实际路径
source = r'img_video/test_imgs/test_fire_01.jpg'
# 运行推理
results = model.predict(
    source,
    save=True,                # 自动保存结果到 runs/detect 目录
    conf=0.45,                # 置信度阈值，过滤低置信度预测结果
    iou=0.25                  # NMS IOU阈值，控制重复框的合并
)

# 弹窗展示检测结果
results[0].show()
# 自定义保存路径
os.makedirs("results", exist_ok=True)
results[0].save(filename=r"results/test_fire_01_result.jpg")

启动预测命令：

python predict.py

---

四、项目目录结构

基于YOLO26火灾检测系统/
│
├── 📄 README.md                    # 项目说明文档
├── 📄 requirements.txt             # Python依赖列表
├── 📄 yolo26n.pt                   # YOLO26n预训练权重
│
├── 🐍 train.py                     # 模型训练入口脚本
├── 🐍 predict.py                   # 模型预测/推理入口脚本
├── 🐍 val.py                       # 模型验证/评估脚本
│
├── 📂 UI/                          # 界面相关代码
│   ├── 🐍 web.py                   # Flask/Web后端主程序
│   ├── 🐍 GUI.py                   # PyQt5 GUI界面逻辑
│   ├── 📄 config.yaml              # UI全局配置文件
│   ├── 📄 user.txt                 # 用户信息存储
│   ├── 📂 templates/
│   │   ├── 📄 index.html           # Web主页面
│   │   └── 📄 login.html           # Web登录页面
│   └── 📂 models/
│       └── 📦 best.pt              # UI使用的最优模型权重
│
├── 📂 img_video/                   # 测试素材目录
│   ├── 📂 test_imgs/               # 测试图片
│   │   ├── test_001.jpg
│   │   └── ...
│   └── 🎬 test_MP4.mp4             # 测试视频
│
├── 📂 results/                     # 推理结果输出目录
│
├── 📂 runs/                        # 训练运行记录
│   └── 📂 detect/train/
│       ├── 📄 args.yaml            # 训练参数配置
│       ├── 📄 results.csv          # 训练指标记录
│       ├── 📊 results.png          # 训练指标曲线图
│       ├── 📊 confusion_matrix.png # 混淆矩阵
│       ├── ...                     # 各类指标图表
│       └── 📂 weights/
│           ├── 📦 best.pt          # 最优权重
│           └── 📦 last.pt          # 最后一轮权重
│
├── 📂 VOCData/                     # 数据集处理工具
│   ├── 🐍 SplitDataset.py          # 数据集划分脚本
│   ├── 🐍 ViewCategory.py          # 类别统计脚本
│   ├── 🐍 xml2txt.py               # VOC XML转YOLO TXT格式
│   ├── 🐍 pic_to_mp4.py            # 图片转视频脚本
│   └── 📂 VOdevkit/
│       ├── 📄 dataset.yaml         # 数据集配置文件
│       └── 📄 数据集单独下载.txt    # 数据集下载说明
│
├── 📂 ultralytics/                # Ultralytics YOLO框架源码
│   ├── 📂 cfg/                     # 模型和数据集配置
│   ├── 📂 data/                    # 数据加载和增强
│   ├── 📂 engine/                  # 训练/预测/验证引擎
│   ├── 📂 models/                  # 模型定义
│   └── ...
│
└── 📂 .idea/                       # PyCharm IDE配置（可忽略）

---

五、项目README摘要

本项目是基于YOLO26目标检测模型开发的火灾检测系统，包含完整的数据集处理、模型训练、桌面GUI部署、Web部署全流程代码。

项目核心特点

1. 基于最新YOLO26模型，兼顾检测精度与推理速度
2. 支持烟雾、火焰两类火灾相关目标的精准检测
3. 同时提供PyQt5桌面端和Flask Web端两种交互方式
4. 集成单图检测、文件夹批量检测、视频检测、实时摄像头检测四种模式
5. 支持检测结果可视化保存与结构化报告导出
6. 提供完整的数据集处理脚本，支持VOC格式转YOLO格式，可快速适配自定义数据集

使用流程

1. 按照第二章说明配置Python运行环境
2. 按照第三章说明准备并配置火灾检测数据集
3. 运行train.py启动模型训练
4. 训练完成后，运行python GUI.py启动桌面界面，或运行python web.py启动Web服务

---

文末互动区

如果您觉得本项目有帮助，欢迎点击【分享】【推荐】支持我们！

如需获取完整项目代码与数据集，可回复基于YOLO26火灾获取。