项目介绍
本项目是一个基于 YOLOv8 的火灾烟雾检测系统，面向校园宿舍、实验室、仓库、小型办公场景等室内外环境的火情智能识别需求而设计实现。系统整体采用前后端分离架构，前端使用 Vue3 与 Element Plus 构建交互界面，后端基于 Flask 搭建业务服务，检测算法部分采用 YOLOv8 深度学习模型完成火焰与烟雾目标识别。用户可通过系统完成注册、登录、图片上传、检测结果查看、历史记录查询等操作，管理员还可对用户信息进行统一管理。系统在接收到上传图像后，后端会调用训练好的 YOLOv8 模型进行推理，输出目标类别、置信度、边界框位置以及可视化结果图，并将检测记录保存至数据库
选题背景与意义
火灾具有突发性强、蔓延速度快、破坏范围广等特点，一旦不能在早期阶段及时发现并处理，往往会造成严重的人员伤亡和财产损失。传统火灾预警方式主要依赖烟感、温感等传感器设备，虽然具有一定实用性，但在复杂环境下容易受到安装位置、空气流动、遮挡条件以及环境噪声的影响，存在误报、漏报或响应不够直观等问题。随着计算机视觉与深度学习技术的快速发展，利用图像识别手段对火焰和烟雾进行智能检测，逐渐成为智慧安防和智能监控领域的重要研究方向。基于此，本课题设计并实现一个基于 YOLOv8 的火灾烟雾检测系统，能够对上传图像中的火焰与烟雾目标进行快速识别，并生成结构化检测结果与可视化标注图。
关键技术栈：YOLOv8
YOLOv8 是 Ultralytics 推出的单阶段目标检测模型，具有检测速度快、精度较高、部署灵活等特点，适合应用于对实时性和准确性均有要求的视觉识别场景。与传统两阶段目标检测方法相比，YOLOv8 将目标定位与类别判别整合在同一网络结构中，可以直接从输入图像中输出检测框与类别结果，从而显著提升推理效率。在本系统中，YOLOv8 被用于识别图像中的火焰与烟雾目标，模型推理后可得到类别名称、置信度以及目标边界框坐标，并进一步生成检测结果图用于前端展示。YOLOv8 同时具备较好的工程适配能力，能够方便地与 Python 环境结合，通过 Flask 后端完成模型懒加载、图片推理、结果解析和接口返回。
技术架构图
系统功能模块图
