基于YOLOv5s的野火烟雾检测(附数据集与Coovally操作步骤)

本文主要内容:详细介绍了野火烟雾检测的整个过程，从创建数据集到训练模型再到预测结果全部可视化操作与分析。

文末有数据集获取方式，请先看检测效果

• 现状

近几年火灾频发，随着社会对火灾防控的重视程度不断提高，对野火烟雾预测的需求也日益增加。传统的人工检测通常依赖于巡查人员，其覆盖范围和效率受限于人员数量和体能，难以实现大面积、实时的烟雾检测。为了应对这一难题，应用野火烟雾检测算法显得很重要。基于计算机视觉的野火烟雾预测通过分析图像和视频数据，及早的发现和准确识别监控烟雾情况并发出预警，帮助人们采取相应措施，减少火灾带来的危害。

• 数据集来源

公开数据集。此数据集中共包括737张照片。

• 操作步骤与结果分析

1.创建数据集：点击创建数据集，填入基本信息，上传图片数据压缩包和标签文件；

2.模型训练：选择任务类型、模型算法以及实验参数；

3.任务训练结束后，可查看任务是否成功及训练成功的指标数；

数据详情中可以看到数据集的基本信息以及标签的基本信息；

还能看到不同标签类别的统计结果，包括精确率（precision）和召回率（recall）；

4.模型转换：Coovally平台支持云边端转换，可转换成转换成onnx、TensorRT格式；

5.模型部署：模型部署完成后即可上传图片，进行预测；

图片1预测结果：

图片2预测结果：

图片3预测结果：

6.模型下载与分享：用户可根据自己的需求在Coovally平台进行下载和分享。

综上，本次训练得到的YOLOv5s模型在数据集上表现良好，具有较高的检测精度可以在实际场景中应用。感兴趣的朋友可以私信我获取数据集。

另外，Coovally是一款AI项目开发与应用平台，就是本篇文章演示部分的展示。你也可以登陆Coovally官网进行模型训练与下载，了解平台更多功能可以微信搜索Coovally_AI或关注跑码地Coovally AI公众号。

官网点击：https://www.coovally.com