✨

原创不易            ，还希望各位大佬支持一下

\textcolor{blue}{原创不易
  
 
  
 
  
 
  
 
  
 
  
，还希望各位大佬支持一下}

原创不易










，还希望各位大佬支持一下

👍

点赞 
  
  
  
  
  
 ，你的认可是我创作的动力！

\textcolor{green}{点赞
  
  
  
  
  
 ，你的认可是我创作的动力！}

点赞
 


 


 


 


 


 
，你的认可是我创作的动力！

⭐️

收藏 
 
 
 
 
 
，你的青睐是我努力的方向！

\textcolor{green}{收藏
   
   
   
   
   
  ，你的青睐是我努力的方向！}

收藏
 

 

 

 

 

 
，你的青睐是我努力的方向！

✏️

评论 

 

 

 

 

 
，你的意见是我进步的财富！

\textcolor{green}{评论            ，你的意见是我进步的财富！}

评论

 
 

 
 

 
 

 
 

 
 

 
，你的意见是我进步的财富！

项目效果图：

一
  
  
  
  
  
 、YOLOv5介绍

 YOLO(You Only Look Once)

是REDMON等提出的目标检测算法










，作为单阶段(one-stage)的代表算法                  ，目前 YOLO已经更新到了YOLOv5
  
  
  
  
  
 。相比于Two stage目标检测算法
 
 
 
 
 
 
 
 
 
 
 
，YOLO是直接从网络中提取特征
















，并预测物体的类别和具体位置            ，一步到位  
  
  
  
  
  。

 此后
  
 
  
 
  
 
  
 
  
 
  
，REDMON在此基础上提出了YOLO9000等检测算法










，使系统的检测性能得到进一步提升
 


 


 


 


 


 

。在YOLOv3的基础上继续改进升级 
  
  
  
  
  
 ，并最终得到 YOLOv4
 
 
 
 
 
。YOLOv4网络结构主要由CSPDarknet53特征提取网  
  
  
  
  
  、SPP(空间金字塔池化)模块
 


 


 


 


 


 

、PANet特征融合模块
 
 
 
 
 
、Yolo Head分类器组成   
   
   
   
   
   。

 YOLOv5算法使用CSPDarknet(跨阶段局部网络)作为特征提取网络,从输入图像中提取目标信息
 

 

 

 

 

 
。如今
  
  
  
  
  
 ，YOLOv5无论是在准确率还是速度上
 


 


 


 


 


 
，都已经达到较好的效果

 

 

 

 

 

。所以 
 
 
 
 
 
，本项目采用YOLOv5训练模型
   
   
   
   
   
  ，结合YOLOv5算法构建火灾检测系统            。

二   
   
   
   
   
   、模型详解

上图是yolov5s的网络结构
 

 

 

 

 

 
，它是yolov5系列中深度最小
 

 

 

 

 

 
、特征图宽度最小的网络
 
 

 
 

 
 

 
 

 
 

 
 。后面的m

 

 

 

 

 

、l            、x都是在此基础上不断加深
 
 

 
 

 
 

 
 

 
 

 
 、加宽的











。网络主要分为输入端











、Backbone                 、Neck 
 
 
 
 
 
 
 
 
 
 
 、Prediction四个部分                 。它和yolov3主要不同的地方：

输入端：Mosaic数据增强

















、自适应锚框计算           、自适应图片缩放 Backbone：Focus结构  
 
  
 
  
 
  
 
  
 
  
 、CSP结构 Neck：FPN+PAN结构 Prediction：GIOU_Loss

YOLOv5 模型在输入端(Input)增加了 Mosaic 数据增强











、自适应锚框计算
  
  
  
  
  
 、自适应图片缩放等数据预处理技巧来增强数据 

 

 

 

 

 
，防止过拟合；在特征提取网络部分(Backbone)引入了Focus 模块  
  
  
  
  
  、跨阶段局部融合网络(CrossStage Partial Network, CSPNet)等方法            ，在减少了计算量的同时可以保证准确率

 
 

 
 

 
 

 
 

 
 

 
，使特征能够更好的向后传递 
 
 
 
 
 
 
 
 
 
 
 。下图为cspnet

结构图：

  CSPNet主要目的就是缓解以前需要大量推理计算的问题










，它有以下优点：

增强了CNN的学习能力                  ，能够在轻量化的同时保持准确性

















。 降低计算瓶颈           。 降低内存成本  
 
  
 
  
 
  
 
  
 
  
 。 CSPNet通过将梯度的变化从头到尾地集成到特征图中
 
 
 
 
 
 
 
 
 
 
 
，在减少了计算量的同时可以保证准确率











。

CSPNet和PRN都是一个思想
















，将feature map拆成两个部分            ，一部分进行卷积操作
  
 
  
 
  
 
  
 
  
 
  
，另一部分和上一部分卷积操作的结果进行concate
  
  
  
  
  
 。在特征融合部分(Neck)借鉴了空间金字塔池化(Spatial Pyramid Pooling, SPP)
 


 


 


 


 


 

、特征金字塔(Feature Pyramid Networks, FPN)与路径聚合网络(PathAggregation Network, PAN)等方法










，有效的增加主干特征的接收范围 
  
  
  
  
  
 ，融合后的特征保留了丰富的语义特征和精准的定位特征；同时在预测部分(Prediction)采用了新的定位损失函数
  
  
  
  
  
 ，确保定位的精准  
  
  
  
  
  。通过引入各种高效的网络组件
 


 


 


 


 


 
，使得YOLOv5 模型在保持实时目标检测速度的基础上 
 
 
 
 
 
，也实现了精度上SOTA
 


 


 


 


 


 

。

2.1 Input

Input 使用了 Mosaic 数据增强
 
 
 
 
 
、自适应锚框计算   
   
   
   
   
   、图片尺寸处理
 
 
 
 
 
。Mosaic 数据增强把 4 张图片
   
   
   
   
   
  ，采用随机缩放
 

 

 

 

 

 
、随机裁剪

 

 

 

 

 

、随机排布的方式进行拼接 , 极大地丰富了检测数据集
 

 

 

 

 

 
，同时也能提高小目标检测的精度 

 

 

 

 

 
，除此以外            ，Mosaic数据增强在训练时可一次性对 4 张图片的数据进行计算

 
 

 
 

 
 

 
 

 
 

 
，降低了 mini-batch 的大小










，也减少了 GPU 的使用   
   
   
   
   
   。YOLOv5 将自适应锚框计算嵌入代码中                  ，通过在初始设定的锚框上输出预测框
 
 
 
 
 
 
 
 
 
 
 
，然后和真实标签进行比对
















，计算损失函数            ，再不断更新
  
 
  
 
  
 
  
 
  
 
  
，更新锚点框的大小










，实现自适应计算并得出最佳锚框值
 

 

 

 

 

 
。图片尺寸处理是对输入的各种图片的尺寸进行自适应填充处理 
  
  
  
  
  
 ，为了提高目标检测的速度
  
  
  
  
  
 ，采用了减少灰度边缘的方法

 

 

 

 

 

。

2.2 Backbone

Backbone 是 YOLOv5 网络的主干部分
 


 


 


 


 


 
，包含 Focus 结构            、CSP 结构和 SPP 结构            。其 中 Focus 结 构： 主 要 进 行 切 片 操 作 
 
 
 
 
 
， 只 存 在 于YOLOv5 算法中
   
   
   
   
   
  ，以 YOLOv5s 为例
 

 

 

 

 

 
，将原始三通道图像输入 Focus 结构 

 

 

 

 

 
，经过切片操作后            ，进行拼接

 
 

 
 

 
 

 
 

 
 

 
，图片尺寸缩小到原来的 1/4
 
 

 
 

 
 

 
 

 
 

 
 、输入通道扩充到原来的 4 倍










，经过 32 个卷积核的卷积计算                  ，最终得到含有 32 个通道的特征图
 
 

 
 

 
 

 
 

 
 

 
 。YOLOv5s











、YOLOv5m                 、YOLOv5x 和 YOLOv5l
 
 
 
 
 
 
 
 
 
 
 
， 使 用 的 卷积核数量依次增加
















，其中            ，YOLOv5m 使用了 48 个卷积核











。卷积核个数越多 , 特征图的宽度越宽 , 网络提取特征的学习能力也越强                 。开发者认为
  
 
  
 
  
 
  
 
  
 
  
，Focus 模块的设计目的是减少层数并降低计算量 
 
 
 
 
 
 
 
 
 
 
 。

CSP 结构：YOLOv5 中设计了 CSP1_N 和 CSP2_N 两种CSP 结构










，CSP1_N 应用于 Backbone 作为主干网络 
  
  
  
  
  
 ，CSP2_N 应用在 Neck 中
  
  
  
  
  
 ，这部分没有残差组件

















。CSP1_N 结构将基础层的特征映射划分为两个不同的部分
 


 


 


 


 


 
，其中之一就是将 N个残差组件进行卷积操作 
 
 
 
 
 
，另一部分则是直接进行卷积操作
   
   
   
   
   
  ，两次卷积操作可以使通道数减半
 

 

 

 

 

 
，然后通过拼接来进行输出           。 SPP 结构：在 Backbone 中 

 

 

 

 

 
，采用 SPP（空间向量金字塔

池化）  
 
  
 
  
 
  
 
  
 
  
 。多尺度融合是通过最大化池来实现的











。

2.3 Neck

Neck 采用 FPN+PAN 的结构
  
  
  
  
  
 。FPN 结构是自上向下传递强特征            ，对结构起到增强的作用

 
 

 
 

 
 

 
 

 
 

 
，然而










，FPN 只能增强语义信息                  ，而不能传递位置信息  
  
  
  
  
  。而 PAN 结构刚好弥补了 FPN结构不能进行定位信息传递的缺陷
 
 
 
 
 
 
 
 
 
 
 
，PAN 结构自下向上将低层的强定位特征传递上去
















，两者结合操作            ，增强网络特征融合的能力
 


 


 


 


 


 

。

2.4 Prediction

本文中 Yolov5 采用 GIOU_Loss 作 Bounding box 的损失函数GIOU_Loss 能够区分重叠的预测框和目标框在 IOU 相同时两者相交情况的不同
 
 
 
 
 
。另外
  
 
  
 
  
 
  
 
  
 
  
，针对预测过程中会出现多个预测框的情况










，需要通过非极大值抑制即 NMS 来处理 
  
  
  
  
  
 ，Yolov5 使用加权 NMS 来筛选最佳的预测框

三 
 
 
 
 
 
 
 
 
 
 
 、项目意义

  火灾作为威胁人类生命生产安全的隐患之一
  
  
  
  
  
 ，一直是人们关注的重点   
   
   
   
   
   。传统的火灾监测装置根据温度来检测火灾
 


 


 


 


 


 
，不仅灵敏度差 
 
 
 
 
 
，而且反馈时间长
   
   
   
   
   
  ，常常会出现消防员收到警报消息时
 

 

 

 

 

 
，火室已经无法控制
 

 

 

 

 

 
。本文由树莓派

















、Opencv和蜂鸣器设计了一套火灾检测装置 

 

 

 

 

 
，能够对火灾进行实时灵敏检测            ，适用于地下停车场           、居民楼道  
 
  
 
  
 
  
 
  
 
  
 、商场等多种场景

 

 

 

 

 

。

四











、检测效果

五
  
  
  
  
  
 、数据集获取

  通过labelImg

标注工具对数据集图像进行标注,并保存为YOLO 系列的 txt 格式            。可以在你的虚拟环境中进入labelImg

 
 

 
 

 
 

 
 

 
 

 
，这是他的界面
 
 

 
 

 
 

 
 

 
 

 
 。左侧open Dir可以打开数据集的文件夹










，Change Save Dir是你的保存路径                  ，Next和Prev Image分别是上一张和下一张图片











。重点来了：Create RectBox绘制一个矩形框将你需要框选的对象框选出来
 
 
 
 
 
 
 
 
 
 
 
，并添加标签                 。这里不懂的同学可以看我之前有一篇很详细的教程链接: Yolov5：强大到你难以想象──新冠疫情下的口罩检测

通过对数据进行乱序排列,随机选出训练集 1442 张,测试集共617 张,验证集共 617 张 
 
 
 
 
 
 
 
 
 
 
 。通过上千张火灾的图片进行机器学习的训练
















，对于微小火焰也有这不错的检测效果

















。数据集的下载地址我贴在这里了：链接：https://pan.baidu.com/s/1ry7o3oJfyHM5rw4nkXL14A?pwd=f5xp

提取码：f5xp

六  
  
  
  
  
  、模型训练效果

七
 


 


 


 


 


 

、总结

  由于大多数设备
 
 
 
 
 
、算法的实时性较差或检测精确度偏低            ，而YOLOv5 检测算法拥有轻量级的模型和优良的性能
  
 
  
 
  
 
  
 
  
 
  
，针对于此










，本项目基于 YOLOv5 算法 
  
  
  
  
  
 ， 着重解决的问题是如何实现准确快速地检测火灾
  
  
  
  
  
 ，以减小在复杂环境中的误检率
 


 


 


 


 


 
，并提高检测精确率和实时性           。

✨

原创不易 
 
 
 
 
 
，还希望各位大佬支持一下

\textcolor{blue}{原创不易
   
   
   
   
   
  ，还希望各位大佬支持一下}

原创不易
 

 

 

 

 

 
，还希望各位大佬支持一下

👍

点赞 

 

 

 

 

 
，你的认可是我创作的动力！

\textcolor{green}{点赞            ，你的认可是我创作的动力！}

点赞

 
 

 
 

 
 

 
 

 
 

 
，你的认可是我创作的动力！

⭐️

收藏










，你的青睐是我努力的方向！

\textcolor{green}{收藏                  ，你的青睐是我努力的方向！}

收藏
 
 
 
 
 
 
 
 
 
 
 
，你的青睐是我努力的方向！

✏️

评论
















，你的意见是我进步的财富！

\textcolor{green}{评论            ，你的意见是我进步的财富！}

评论
  
 
  
 
  
 
  
 
  
 
  
，你的意见是我进步的财富！