该项目利用PaddleDetection2.0中的YOLOv3（主干为mobilenetv3轻量化模型）实现火焰识别目标检测，mAP达81.94%，可部署于森林防火监控。流程包括自定义数据集解压、环境准备、按9:1划分数据集，基于特定配置文件训练，还进行了模型评估、预测及效果可视化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
摘要
本项目旨在使用PaddleDetection2.0中的YOLOv3(主干网络为mobilenetv3的轻量化模型)，通过少量代码实现火焰识别的目标检测，后期可部署用于监控森林防火等,mAP值达到81.94%
按以下几个步骤来介绍项目实现流程。
- 自定义数据集解压；
- 准备环境；
- 自定义数据集划分；
- 模型训练：训练的配置文件说明；
5.1 模型评估和预测：评估模型效果；
5.2 效果可视化：使用训练好的模型进行预测，同时对结果进行可视化。
1数据解压
将完成标注的火焰图片（VOC数据集）进行解压。
!unzip -oq /home/aistudio/huo.zip -d work/
2准备环境
目前代码的版本是release/2.0，需要使用PaddlePaddle2.0.2版本。
! git clone https://gitee.com/paddlepaddle/PaddleDetection.git
3自定义数据集的划分
将数据集按照9：1的比例进行划分，并生成train.txt和val.txt进行训练
import randomimport os#生成train.txt和val.txtrandom.seed(2020)
xml_dir = '/home/aistudio/work/Annotations'img_dir = '/home/aistudio/work/JPEGImages'path_list = list()for img in os.listdir(img_dir):
img_path = os.path.join(img_dir,img)
xml_path = os.path.join(xml_dir,img.replace('jpg', 'xml'))
path_list.append((img_path, xml_path))
random.shuffle(path_list)
ratio = 0.9train_f = open('/home/aistudio/work/train.txt','w')
val_f = open('/home/aistudio/work/val.txt' ,'w')for i ,content in enumerate(path_list):
img, xml = content
text = img + ' ' + xml + '\n'
if i < len(path_list) * ratio:
train_f.write(text) else:
val_f.write(text)
train_f.close()
val_f.close()#生成标签文档label = ['fire']with open('/home/aistudio/work/label_list.txt', 'w') as f: for text in label:
f.write(text+'\n')%cd PaddleDetection
4 模型训练
新版本的PaddleDetection中训练方式依旧延续了之前的形式，用户在选择好模型后，只需要改动对应的配置文件后，只需要运行train.py文件，即可实现训练，但是在新的版本中，配置文件采用了更加耦合的设计
本项目中，使用YOLOv3模型里的yolov3_mobilenet_v3_large_ssld_270e_voc.yml进行训练
4.1配置文件示例
我们使用configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml配置进行训练。 在PaddleDetection2.0中，采用了模块解耦设计，用户可以组合配置模块实现检测器，并可自由修改覆盖各模块配置
4.2配置文件详细说明
从上图看到yolov3_mobilenet_v3_large_ssld_270e_voc.yml配置需要依赖其他的配置文件。在该例子中需要依赖：
'../datasets/voc.yml', '../runtime.yml', '_base_/optimizer_270e.yml', '_base_/yolov3_mobilenet_v3_large.yml', '_base_/yolov3_reader.yml',
'_base_/optimizer_270e.yml',主要说明了学习率和优化器的配置。在其他的训练的配置中，学习率和优化器是放在了一个新的配置文件中。 '../datasets/voc.yml'主要说明了训练数据和验证数据的路径，包括数据格式(coco、voc等) '_base_/yolov3_reader.yml', 主要说明了读取后的预处理操作，比如resize、数据增强等等 '_base_/yolov3_mobilenet_v3_large.yml',主要说明模型、和主干网络的情况说明。 '../runtime.yml',主要说明了公共的运行状态，比如说是否使用GPU、迭代轮数等等
4.3执行训练
执行下面命令开始进行训练
!python tools/train.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml --eval --use_vdl=True --vdl_log_dir="./output"
4.4效果可视化
当打开use_vdl开关后，PaddleDetection会将训练过程中的数据写入VisualDL文件，可实时查看训练过程中的日志。记录的数据包括：
- loss变化趋势
- mAP变化趋势
使用如下命令启动VisualDL查看日志
# 下述命令会在127.0.0.1上启动一个服务，支持通过前端web页面查看，可以通过--host这个参数指定实际ip地址visualdl --logdir output/
在浏览器输入提示的网址，效果如下：
5 模型评估和预测
5.1 模型评估
python -u tools/eval.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml \ -o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams
!python -u tools/eval.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml -o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams
5.2 模型预测
在执行tools/infer.py后，在output文件夹下会生成对应的预测结果
python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml \ -o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams \ --infer_img=dataset/113.jpg
!python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml -o weights=output/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams --infer_img=dataset/113.jpg
- 结果展示
原图
预测图
