航拍森林火灾红外图像目标检测数据集数据集详情数据量共1k张图像.jpg格式、640*640**目标类别共1类 | nc1fire → 火焰AI翻译结果格式支持**格式YOLO (.txt)其他可选格式VOC (.xml) or COCO (.json)这份数据集看起来非常适合用于无人机巡检或森林防火监控场景。既然已经有了1000张标注好的640x640图像我们直接基于最新的Ultralytics YOLOv11框架来启动训练。数据集详细描述属性详情数据集名称航拍森林火灾红外图像目标检测数据集图像总量1,000 张图像格式.jpg图像分辨率640 x 640 (已预处理)目标类别数1 类 (nc1)类别名称fire(火焰)标注格式YOLO 格式 (.txt)归一化坐标适用场景森林防火、无人机巡检、红外热成像检测YOLOv11 训练代码为了训练这个模型你需要安装最新版的 Ultralytics 库pipinstallultralytics接下来是完整的训练脚本。这段代码会自动处理数据集配置并开始训练。1. 创建数据集配置文件首先你需要创建一个名为forest_fire.yaml的文件告诉模型去哪里找图片和标签。forest_fire.yaml内容如下# 数据集配置文件: forest_fire.yaml# 训练集和验证集的图片路径 (请根据你的实际文件夹路径修改)train:./dataset/images/trainval:./dataset/images/val# 类别数量nc:1# 类别名称列表names:[fire]2. Python 训练脚本你可以直接运行以下 Python 代码来开始训练。这里我使用了yolo11n.ptNano版本因为它在无人机等边缘设备上推理速度最快非常适合实时火灾监测。fromultralyticsimportYOLOimportosdeftrain_forest_fire_model():# 1. 加载预训练模型# 这里使用 yolo11n.pt (Nano版本)适合实时检测和边缘部署# 如果需要更高精度可以改为 yolo11s.pt 或 yolo11m.ptmodelYOLO(yolo11n.pt)# 2. 开始训练# 参数说明:# data: 数据集配置文件路径# epochs: 训练轮数1000张图建议设置为 100-300# imgsz: 图像尺寸你的数据已经是 640这里保持一致# batch: 批大小根据显存调整-1 表示自动调整# device: 0 表示使用 GPU (CUDA)cpu 表示使用 CPUresultsmodel.train(dataforest_fire.yaml,epochs150,imgsz640,batch16,device0,# 如果没有GPU请改为 cpunamefire_v11_exp,patience20,# 早停机制防止过拟合projectruns/detect)print(训练完成)if__name____main__:train_forest_fire_model()代码关键点解析模型选择我选择了yolo11n.pt。对于森林火灾监控通常要求速度快以便实时预警Nano版本在保持不错精度的同时推理速度极快。数据增强Ultralytics 框架内置了强大的数据增强如 Mosaic、MixUp对于只有 1000 张图片的数据集这些增强能有效防止过拟合提高模型在复杂红外背景下的鲁棒性。早停机制代码中设置了patience20。这意味着如果验证集的指标在连续 20 个 epoch 内没有提升训练会自动停止这能帮你节省时间并防止模型过拟合。确保你的文件夹结构如下代码即可直接运行dataset/ ├── images/ │ ├── train/ (存放训练图片) │ └── val/ (存放验证图片) ├── labels/ │ ├── train/ (存放训练标签 .txt) │ └── val/ (存放验证标签 .txt) forest_fire.yaml train.py按照上述结构整理好数据后直接运行脚本即可开始训练。1