智慧航拍-无人机视角 山火烟雾 yolo目标检测数据集21000张图片大小 3G 山火、烟雾类别图片清晰标注适合模型训练用1111无人机视角下的山火烟雾检测确实是个很有价值的方向不过面对 21,000 张图片、3GB 的大规模数据直接上手训练前我们最好先梳理一下数据集规格确保目录结构清晰。这里我为你整理了详细的数据描述表并基于最新的 YOLOv11 框架编写了训练代码你可以直接参考使用数据集规格描述表属性说明数据集名称无人机视角山火烟雾检测数据集图片总数21,000 张数据总量约 3 GB图像来源无人机航拍视角检测目标山火、烟雾标注质量清晰标注适合模型训练标注格式YOLO 格式.txt类别数量2 类类别标签映射在训练和推理时请确保类别索引与含义对应一致类别 ID英文标签中文含义0fire山火1smoke烟雾YOLOv11 训练代码以下代码基于最新的Ultralytics YOLOv11框架。请确保你的数据集目录结构如下wildfire_dataset/ ├── images/ │ ├── train/ (训练集图片) │ └── val/ (验证集图片) ├── labels/ │ ├── train/ (训练集标签 .txt) │ └── val/ (验证集标签 .txt) └── wildfire.yaml -- 下面的配置文件配置文件 (wildfire.yaml)在代码同级目录下创建wildfire.yaml文件内容如下path:./wildfire_datasettrain:images/trainval:images/val# 类别数量nc:2# 类别名称names:[fire,smoke]训练脚本 (train.py)fromultralyticsimportYOLOdeftrain_wildfire_model():# 1. 加载预训练模型# 推荐使用 yolov11n.pt (nano) 或 yolov11s.pt (small)# 对于无人机实时检测yolov11n 速度更快modelYOLO(yolov11n.pt)# 2. 开始训练resultsmodel.train(datawildfire.yaml,# 数据配置文件路径epochs100,# 训练轮数imgsz640,# 输入图像大小batch16,# 批次大小 (根据显存调整)namewildfire_v11_exp,# 实验名称patience10,# 早停轮数device0,# 使用 GPU (0 表示第一块 GPU)workers4,# 数据加载线程数optimizerAdamW,# 优化器lr00.001,# 初始学习率augmentTrue,# 启用数据增强hsv_h0.015,# 色调增强hsv_s0.7,# 饱和度增强hsv_v0.4,# 明度增强degrees10.0,# 旋转增强translate0.1,# 平移增强scale0.5,# 缩放增强shear2.0,# 剪切增强flipud0.0,# 上下翻转概率fliplr0.5,# 左右翻转概率mosaic0.5,# Mosaic 增强概率mixup0.2,# MixUp 增强概率)if__name____main__:train_wildfire_model()训练建议硬件要求推荐使用 NVIDIA GPU至少 8GB 显存进行训练。若使用 CPU 训练速度会非常慢不建议用于大规模数据集。数据增强由于山火和烟雾在不同光照、天气条件下变化较大建议开启augmentTrue。可适当增加hsv_s和hsv_v增强模拟不同光照条件。模型选择yolov11n.pt适合实时检测速度快适合无人机端部署。yolov11s.pt精度更高适合服务器端推理。评估与推理训练完成后可使用以下代码进行推理fromultralyticsimportYOLO# 加载训练好的模型modelYOLO(runs/detect/wildfire_v11_exp/weights/best.pt)# 进行推理resultsmodel(test_image.jpg)# 显示结果results[0].show()通过以上步骤你可以高效地训练一个适用于无人机视角的山火烟雾检测模型。