【数据集 01】家庭室内烟火数据集（按比例划分训练、验证、测试）包含训练好的yolo11/yolov8模型

dataset/
├── train/
│   ├── images/
│   │   ├── fire_smoke_00001.jpg
│   │   └── ...
│   └── labels/
│       ├── fire_smoke_00001.txt
│       └── ...
├── valid/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

5、数据集配置文件

data.yaml

复制代码

train: D:/work/my/datasets/FireSmoke/train/images 
val: D:/work/my/datasets/FireSmoke/valid/images
test: D:/work/my/datasets/FireSmoke/test/images
 
nc: 2
names: ['fire', 'smoke']
 
labelfast:
  version: 1.3

路径使用绝对路径，如果训练自己的数据集可以改成自己的数据集路径。

6、数据分割策略

数据集采用科学的分割策略，确保训练、验证和测试集之间的数据分布均衡：

分割原则：

按比例分割：训练集85%，验证集10%，测试集5%

类别平衡：确保每个类别在各数据集中都有代表性样本

场景多样性：包含不同角度、不同光照条件下的图像

难度分布：从简单到复杂的检测场景都有涵盖

7、数据预处理

为了提高模型的训练效果和泛化能力，数据集经过了全面的预处理：

预处理步骤：

图像标准化：统一图像尺寸640x640
数据增强：通过旋转、翻转、缩放等方式增加数据多样性
标注验证：检查标注文件的准确性和完整性
质量筛选：移除模糊、损坏或标注错误的图像
格式转换：转换为模型训练所需的格式

数据增强策略：

几何变换：旋转、翻转、缩放、平移
颜色变换：亮度、对比度、饱和度调整
噪声添加：高斯噪声、椒盐噪声
混合增强：Mosaic、MixUp等技术

8、数据集展示

部分训练图：

部分验证图：

部分测试图：

9、YOLO11训练模型

9.1、模型评估

模型评估分析

参数	类型	计算范围	实际含义	最后一轮值	表现	参考值（性能等级划分）	等级
train/box_loss	损失	所有训练样本	定位不准的平均代价	1.00366	持续下降至较低水平	优秀：< 0.8 良好：0.8--1.2 一般：1.2--1.8 较差：1.8--2.5 差：> 2.5	良好
train/cls_loss	损失	所有训练样本	分类错误的平均代价	0.64018	快速下降至很低水平	优秀：< 0.5 良好：0.5--1.0 一般：1.0--1.8 较差：1.8--3.0 差：> 3.0	良好
train/dfl_loss	损失	所有训练样本	坐标估计粗糙的代价	1.1355	平稳下降至较低水平	优秀：< 0.8 良好：0.8--1.2 一般：1.2--1.6 较差：1.6--2.0 差：> 2.0	良好
val/box_loss	损失	所有验证样本	泛化定位误差	1.70817	略高于训练损失，但整体稳定	同 train/box_loss（允许略高 0.2～0.4）	一般
val/cls_loss	损失	所有验证样本	泛化分类误差	1.05141	< 2.0 且整体稳定	同 train/cls_loss	良好
val/dfl_loss	损失	所有验证样本	泛化坐标误差	1.65726	与训练损失趋势基本一致	同 train/dfl_loss	较差
precision	指标	所有验证样本	整体查准率	0.81811	较高且稳定	优秀：≥ 0.85 良好：0.75--0.84 一般：0.60--0.74 较差：0.40--0.59 差：< 0.40	良好
recall	指标	所有验证样本	整体查全率	0.67807	中等水平	优秀：≥ 0.80 良好：0.70--0.79 一般：0.55--0.69 较差：0.35--0.54 差：< 0.35	一般
mAP@0.5	指标	每类 AP 平均	中等 IoU 下综合能力	0.7436	≥ 0.7	顶尖：≥ 0.85 优秀：0.75--0.84 良好：0.65--0.74 可用：0.50--0.64 较差：0.30--0.49 差：< 0.30	优秀
mAP@ $0.5:0.95$	指标	每类 AP@ $0.5:0.95$ 平均	严苛 IoU 下鲁棒性	0.40631	≥ 0.4	顶尖：≥ 0.50 优秀：0.40--0.49 良好：0.30--0.39 一般：0.20--0.29 较差：0.10--0.19 差：< 0.10	优秀

9.2、模型验证

9.3、模型测试

10、YOLOv8s训练模型

10.1、模型评估

参数	类型	计算范围	实际含义	最后一轮值	表现	参考值（性能等级划分）	等级
train/box_loss	损失	所有训练样本	定位误差的平均代价	0.76342	持续下降至较低水平	优秀：< 0.8 良好：0.8--1.2 一般：1.2--1.8 较差：1.8--2.5 差：> 2.5	优秀
train/cls_loss	损失	所有训练样本	分类错误的平均代价	0.40745	快速下降至很低水平	优秀：< 0.5 良好：0.5--1.0 一般：1.0--1.8 较差：1.8--3.0 差：> 3.0	优秀
train/dfl_loss	损失	所有训练样本	坐标估计粗糙的代价	0.99324	平稳下降至较低水平	优秀：< 0.8 良好：0.8--1.2 一般：1.2--1.6 较差：1.6--2.0 差：> 2.0	良好
val/box_loss	损失	所有验证样本	泛化定位误差	1.66389	略高于训练损失，整体稳定	同 train/box_loss（允许略高 0.2～0.4）	一般
val/cls_loss	损失	所有验证样本	泛化分类误差	1.00054	< 2.0 且整体稳定	同 train/cls_loss	良好
val/dfl_loss	损失	所有验证样本	泛化坐标误差	1.67480	与训练损失趋势基本一致	同 train/dfl_loss	较差
precision (B)	指标	所有验证样本	整体查准率	0.84139	较高且稳定	优秀：≥ 0.85 良好：0.75--0.84 一般：0.60--0.74 较差：0.40--0.59 差：< 0.40	良好
recall (B)	指标	所有验证样本	整体查全率	0.68198	中等水平	优秀：≥ 0.80 良好：0.70--0.79 一般：0.55--0.69 较差：0.35--0.54 差：< 0.35	一般
mAP50 (B)	指标	每类 AP 平均	中等 IoU 下的综合检测能力	0.74964	≥ 0.7，表现良好	顶尖：≥ 0.85 优秀：0.75--0.84 良好：0.65--0.74 可用：0.50--0.64 较差：0.30--0.49 差：< 0.30	优秀
mAP50-95 (B)	指标	每类 AP@ $0.5:0.95$ 平均	严苛 IoU 下的鲁棒性	0.43147	≥ 0.4，表现良好	顶尖：≥ 0.50 优秀：0.40--0.49 良好：0.30--0.39 一般：0.20--0.29 较差：0.10--0.19 差：< 0.10	优秀

10.2、模型验证

10.3、模型测试

11、链接