本教程将带你从零搭建基于YOLOv8的烟雾火焰目标检测系统，覆盖自定义数据集构建、模型优化训练、边缘设备部署及实时预警功能实现的完整流程，助力你快速掌握消防安全场景下的AI检测解决方案。

学习步骤

1. YOLOv8环境搭建与项目初始化

   1. 环境配置：确保已安装Python 3.8+，通过pip安装YOLOv8官方库：`pip install ultralytics`，同时安装OpenCV、PyTorch等依赖：`pip install opencv-python torch torchvision`；2. 项目结构创建：新建项目文件夹，包含`data`（存储数据集与配置文件）、`models`（存放预训练模型）、`runs`（保存训练日志与模型权重）、`utils`（自定义工具脚本）四个子文件夹；3. 验证环境：运行`yolo check`命令确认YOLOv8环境正常。

2. 烟雾火焰自定义数据集构建与格式转换

   1. 数据集收集：整合公开数据集（如FireNet、Smoke Detection Dataset）与自建数据（监控截图、模拟烟雾火焰拍摄），确保样本覆盖不同场景（室内/室外、白天/夜晚、不同燃烧物）；2. 数据标注：使用LabelImg工具标注烟雾、火焰两类目标，导出为PASCAL VOC格式；3. 格式转换：编写Python脚本将VOC格式转换为YOLO格式，每个样本对应一个txt文件，每行格式为`类别索引 x_center y_center width height`；4. 数据集划分：按7:2:1比例划分训练集、验证集、测试集，编写`smoke_fire.yaml`配置文件，指定数据集路径、类别数（2）及类别名称（smoke、fire）。

3. YOLOv8模型适配与训练优化

   1. 模型选择：针对场景需求选择YOLOv8n（轻量化，适合边缘）或YOLOv8l（高精度，适合服务器）预训练模型；2. 训练参数配置：设置训练轮次`epochs=50`、批次大小`batch=16`、输入图像尺寸`imgsz=640`，添加烟雾火焰专属数据增强：开启Mosaic、MixUp增强，增加亮度调整、高斯模糊、随机噪声等操作，提升模型泛化能力；3. 启动训练：执行命令`yolo detect train data=data/smoke_fire.yaml model=models/yolov8n.pt epochs=50 batch=16 imgsz=640`；4. 训练监控：通过TensorBoard查看损失曲线、精度指标，验证集mAP达到0.9以上即可停止训练。

4. 模型轻量化与边缘设备部署

   1. 模型导出：将训练好的最优权重导出为ONNX格式，执行命令`yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640`，若部署到Jetson设备可导出为TensorRT格式；2. 边缘环境配置：在树莓派/Jetson Nano上安装ONNX Runtime或TensorRT推理框架；3. 推理脚本编写：编写Python脚本加载导出的模型，读取摄像头视频流，实现实时目标检测；4. 性能优化：调整输入图像尺寸为320×320，开启硬件加速（如Jetson的CUDA加速），确保检测帧率达到15FPS以上。

5. 实时预警功能开发与系统测试

   1. 预警逻辑开发：在推理脚本中添加判断逻辑，当检测到烟雾/火焰且置信度>0.7时，触发预警：若为树莓派可控制GPIO引脚驱动蜂鸣器与LED；若为服务器可发送邮件/短信通知；2. 场景测试：在室内模拟小火、烟雾场景，室外自然光、弱光场景下测试系统，记录检测准确率与误报率；3. 阈值优化：调整置信度阈值与NMS阈值，降低误报率，同时保证检测灵敏度，最终实现稳定的实时烟雾火焰监测与预警。