🔥 YOLOv26m — UAV Forest Patrol Fire & Smoke Detection
无人机林地巡检烟火检测模型 · 基于 YOLOv26m 在 FASDD 数据集上微调
📌 简介 / Overview
本模型用于无人机航拍林地场景下的烟火目标检测，可同时识别两类目标：
- 🔥 fire — 火焰
- 💨 smoke — 烟雾
基于 COCO 预训练的 YOLOv26m，在 FASDD（Forest Aerial Smoke/Fire Detection）数据集及 自制无人机森林火灾数据集 上微调得到。适用于林地巡检、森林防火、火情早期预警等无人机遥感场景。
📊 性能指标 / Metrics
| 指标 Metric | 数值 Value |
|---|---|
| mAP@0.5 | 0.843 |
| mAP@0.5:0.95 | 0.594 |
| Precision | 0.811 |
| Recall | 0.829 |
| 输入尺寸 Input Size | 640 × 640 |
| 参数 Params | YOLOv26m（约 40M） |
指标读取自发布的
weights/best.pt内置验证结果，使用 SGD + cosine LR 训练 200 epochs。
🛠 训练配置 / Training Config
| 配置项 | 值 |
|---|---|
| 基础模型 Base | YOLOv26m（COCO 预训练） |
| 数据 Data | FASDD（fire / smoke 两类） |
| 优化器 Optimizer | SGD |
| 学习率策略 LR Schedule | cosine (lr0=0.005, lrf=0.001) |
| Epochs | 200（patience=30） |
| Batch Size | 16 |
| Image Size | 640 |
| 增强 Augmentation | degrees=30, flipud=0.5, fliplr=0.5, scale=0.5, hsv 等 |
| 其他 | label_smoothing=0.1, multi_scale=0.3, mosaic=0 |
🚀 快速使用 / Quickstart
方式一：直接使用（Ultralytics）
from ultralytics import YOLO
model = YOLO("weights/best.pt")
# 图片检测
results = model.predict("aerial_image.jpg", conf=0.25, imgsz=640)
# 视频检测（无人机巡检视频）
results = model.predict("drone_video.mp4", conf=0.25, imgsz=640)
# 验证指标
metrics = model.val()
方式二：从 Hugging Face 下载加载
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
model_path = hf_hub_download(
"xiazh0219/yolo26m-UAV-fire-smoke-detection",
"weights/best.pt",
)
model = YOLO(model_path)
方式三：4K 无人机视频切片检测（推荐用于小目标）
先下载本仓库，然后安装依赖：
python -m pip install -r requirements.txt
使用与训练一致的 640×640 输入，对原始视频做 20% 重叠切片：
python predict_video_sliced.py \
--source /path/to/drone_video.mp4 \
--model weights/best.pt \
--slice-size 640 \
--overlap 0.20 \
--device 0
未通过 --model 指定权重且本地不存在 weights/best.pt 时，脚本会自动从本 Hugging Face 仓库下载权重。脚本会将检测框映射回原始视频坐标，并执行按类别 NMS 去重。默认额外执行一次整帧检测，以兼顾跨越多个切片的大范围烟雾。输出仅为保持源分辨率和 FPS 的标注视频；切片检测计算量明显高于普通整帧推理。
命令行推理
yolo predict model=weights/best.pt source=aerial_image.jpg imgsz=640 conf=0.25
📁 文件结构 / File Structure
yolo26m-fasdd-fire-smoke-detection/
├── README.md # 模型说明（本文件）
├── predict_video_sliced.py # 640×640 重叠切片视频推理
├── requirements.txt # 推理依赖
├── args.yaml # 完整训练参数
├── results.png # 训练曲线
├── BoxPR_curve.png # P-R 曲线
├── confusion_matrix.png # 混淆矩阵
├── val_batch0_pred.jpg # 验证集预测示例
└── weights/
└── best.pt # 最优权重（44 MB）
⚠️ 使用注意事项 / Notes
- 输入尺寸请保持 640×640，与训练一致以获得最佳效果。
- 对 4K 视频中的远距离小目标，推荐使用
predict_video_sliced.py，而不是将整帧直接缩小到 640。 - 模型在无人机俯拍林地场景上训练，应用于航拍/低空影像效果最佳。
- 检测置信度阈值建议
conf=0.25，可视场景密度调整（0.15–0.35）。 - NMS IoU 默认 0.7；
max_det=300。
📜 许可证 / License
- 模型权重与代码基于 AGPL-3.0 开源（Ultralytics YOLO 系列协议）。
- 若用于商用，请评估 AGPL 约束或联系获得商业授权。
📚 引用 / Citation
如果你使用了本模型，欢迎引用：
@misc{outsideguy2026yolo26mfasdd,
title={YOLOv26m UAV Forest Patrol Fire and Smoke Detection},
author={OutsideGuy},
year={2026},
howpublished={\url{https://huggingface.co/xiazh0219/yolo26m-UAV-fire-smoke-detection}},
}
如果这个模型有帮助，别忘了 ⭐ Star / ❤️ Follow