Характеристики

Размер весов: 12,5 МБ
Лицензия: AGPL 3.0
Библиотека: ultralytics
Опубликована: 8 июн 2026

Ссылки

Hugging Face

fire-smoke-yolov8n

rabahdev

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная YOLOv8n для обнаружения дыма и огня на изображениях.

2 151скачиваний за 30 дней6лайковвеса обновлены8 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

rabahdev/fire-smoke-yolov8n — модель обнаружения дыма и огня на изображениях, созданная дообучением YOLOv8n на датасете D-Fire. Она использует архитектуру YOLOv8 и библиотеку Ultralytics; репозиторий содержит веса PyTorch best.pt и last.pt. Модель выделяет объекты двух классов: smoke и fire.

Модель предназначена для автоматического поиска дыма и огня на отдельных изображениях, например для анализа кадров видеонаблюдения или снимков с камер. На тестовой выборке из 4 306 изображений указаны mAP50 0,754, mAP50-95 0,430 и точность 0,766; показатели mAP50-95 составляют 0,499 для дыма и 0,362 для огня.

Лицензия репозитория — AGPL-3.0. Результаты зависят от условий съёмки и сходства входных изображений с обучающими данными; приведённые метрики не гарантируют обнаружение пожара в конкретной среде. Длина контекста и поддерживаемые естественные языки к этой модели компьютерного зрения не относятся.

Сценарии применения

обнаружение дыма на изображениях с камер наблюдения
поиск огня на снимках помещений и открытых территорий
автоматический анализ кадров для систем раннего предупреждения
разметка изображений с огнём и дымом

Ограничения

Качество обнаружения зависит от условий съёмки и сходства изображений с датасетом D-Fire; на тесте mAP50-95 ниже для класса огня (0,362), чем для дыма (0,499). Метрики тестовой выборки не гарантируют качество в конкретной эксплуатационной среде.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

YOLOv8n — Fire & Smoke Detector (D-Fire fine-tune)

YOLOv8n fine-tuned on the D-Fire dataset for detecting smoke and fire in images.

Classes

0 — smoke
1 — fire

Files

best.pt — fine-tuned weights (use this)
last.pt — final-epoch weights

Results (test split, 4,306 images)

Metric	All	Smoke	Fire
mAP50	0.754	—	—
mAP50-95	0.430	0.499	0.362
Precision	0.766	—	—
Recall	0.688	—	—

Training config

Base: yolov8n.pt (COCO pretrained)
Epochs: 50, image size: 640, batch: 16
Optimizer: MuSGD (auto), lr0=0.01
Device: Apple MPS

Usage

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

ckpt = hf_hub_download(repo_id="rabahdev/fire-smoke-yolov8n", filename="best.pt")
model = YOLO(ckpt)
results = model("image.jpg")
results[0].show()

Dataset

D-Fire (smoke + fire detection), YOLO format
Train: 14,122 — Val: 3,099 — Test: 4,306

License

AGPL-3.0 (inherited from Ultralytics YOLOv8).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · ultralytics

Нельзя запустить

Модели Ultralytics YOLO требуют отдельного рантайма.

Ревизия весов: 13017fe