YOLO火焰/烟雾检测系统

本软件基于 YOLOv8/v11/v26 深度学习模型，提供了一个简洁美观的图形界面，用于对图片和视频中的火焰（Fire）与烟雾（Smoke）目标进行智能检测。支持实时显示检测结果、保存带标注框的输出文件，并允许用户灵活调整置信度阈值等参数。

功能模块	描述
图片检测	选择单张图片，一键检测并显示火焰/烟雾的位置、置信度及坐标。
视频检测	支持 `.mp4`, `.avi`, `.mov` 等常见视频格式，可设置跳帧间隔，实时显示检测进度。
模型加载	加载用户自己的 `.pt` 格式 YOLO 模型（也支持官方预训练模型）。
置信度调节	通过滑块调整检测阈值（0~1），过滤低置信度目标。
结果保存	可选自动保存检测后的图片（`_detected.jpg`）或视频（`_detected.mp4`）。
实时预览	检测过程中右侧窗口实时显示带标注框的画面。
详细日志	左侧文本框逐帧列出检测到的目标类别、置信度及边界框坐标。
停止检测	视频检测过程中可随时中断任务。
进度条	视频检测时显示当前帧进度百分比。

如果你还没有 Python，请从 python.org 下载安装（安装时勾选"Add Python to PATH"）。

打开终端（cmd 或 PowerShell），执行以下命令：

bash 复制代码

pip install ultralytics opencv-python pillow customtkinter

如果下载缓慢，可使用国内镜像，例如：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics opencv-python pillow customtkinter

注意：本软件默认期望检测的类别为 fire 和 smoke（索引 0 和 1）。如果你的模型类别不同，需修改代码中的类别映射逻辑。

将提供的完整 Python 代码保存为 fire_detector.py（或其他名称）。

在终端中导航到代码所在目录，执行：

bash 复制代码

python fire_detector.py

稍等片刻，主窗口会弹出。

加载模型

点击"模型文件 (.pt)"旁的浏览按钮，选择你的 .pt 模型文件。若已加载成功，状态栏会显示模型名称。
选择图片

确保顶部"输入类型"为图片（默认）。点击"文件路径"旁的浏览，选择一张待检测的图片（支持 .jpg, .png, .bmp 等）。
调整置信度（可选）

拖动"置信度阈值"滑块，数值越高，检测结果越严格（漏检增多，误检减少）。推荐设置在 0.3~0.7 之间。
是否保存结果

勾选"保存检测结果图片"后，检测完成时会在图片同目录下生成 原文件名_detected.jpg。
开始检测

点击 开始检测 按钮。右侧会立即显示带标注框的图片，左侧文本框列出检测到的目标详情（类别、置信度、坐标）。
查看结果

检测完成后，状态栏会提示"图片检测完成"。如需再次检测，更换图片即可。

切换到视频模式

点击"输入类型"中的视频按钮，界面会显示"跳帧"设置和进度条，同时出现"停止检测"按钮（初始为灰色）。
选择模型（若之前未加载，请先加载模型）
选择视频文件

点击浏览，选择 .mp4 / .avi / .mov 等格式的视频。
设置跳帧（可选）

"视频检测跳帧"表示每 N 帧检测一次。
- 数值 = 1：每一帧都检测（精度最高，但较慢）
- 数值 = 5：每 5 帧检测一次（速度提升约 5 倍，适合对实时性要求较高的场景）
调整置信度阈值（同图片模式）
是否保存结果视频

勾选后，检测完成后会在视频同目录下生成 原文件名_detected.mp4。
开始检测

点击 开始检测，右侧窗口会实时显示当前检测帧的画面，左侧增量显示每一帧的检测结果，下方进度条显示处理进度。
中途停止

点击 停止检测（红色按钮），检测任务会尽快终止。
检测完成

正常结束后，状态栏会提示"视频检测完成"。若勾选了保存，会弹窗告知输出路径。

请确保已安装所有依赖：pip install -r requirements.txt（可自行创建该文件列出上述库）。

说明你的 ultralytics 版本过低（低于 8.2.x）。请升级：

bash 复制代码

pip install --upgrade ultralytics

本软件会从模型的 .names 属性中自动读取类别名称。如果你的模型训练时的类别顺序不是 ['fire','smoke']，输出会显示你自定义的类别名（如 ['fire','smoke','other']）。

源代码如下