无人机视角下火灾检测数据集 共12736张 标注文件为YOLO适用的txt格式。已划分为训练集、验证集、测试集。类别：Fire yolov5-v10通用摘要：无人机视角下火灾检测数据集 共12736张 标注文件为YOLO适用的txt格式。已划分为训练集、验证集、测试集。类别：Fire yolov5-v10通用
无人机视角下的火灾检测数据集介绍
数据集概述
名称：无人机视角下的火灾检测数据集
图片数量：12736张
标注格式：YOLO (TXT)
类别：
0: 火灾 (Fire)
用途：用于从无人机视角检测火灾，适用于森林防火、城市消防监控、灾害响应等任务。该数据集特别适合基于YOLO的目标检测模型。
数据集特点
规模：包含12736张高分辨率图像，每张图像都带有详细的标注信息。
多样性：图像涵盖了不同的光照条件（白天、夜晚）、天气状况（晴天、阴天、雨天）、背景环境（森林、城市、农田）以及火灾的不同阶段和规模，以确保模型能够适应多样的实际场景。
划分：数据集已经划分为训练集、验证集和测试集，方便进行模型的训练、验证和测试。
标注质量：每张图像都有精确的手动标注，确保了高质量的训练数据。
标注格式：
YOLO格式 (TXT)：每个目标用一个文本行表示，格式为 class_id x_center y_center width height，所有坐标值都是归一化的。
标注信息
YOLO格式：
深色版本
0 0.25 0.3333 0.1 0.2
0 0.75 0.6667 0.08 0.15
解释：0 表示火灾。x_center 和 y_center 是边界框中心点的归一化坐标，width 和 height 是边界框的宽度和高度的归一化值。
应用领域
森林防火：自动检测并报告森林中的火灾，提高防火效率。
城市消防监控：在城市区域实时监测火灾情况，及时响应火灾事件。
灾害响应：快速识别灾区的火源位置，辅助救援行动。
环境监测：持续监测特定区域的火灾风险，预防大规模火灾的发生。
智能交通系统：结合无人机视频监控，提高道路安全，特别是在山区或偏远地区。
获取方式
通常情况下，研究人员可以通过官方提供的链接或相关机构网站下载该数据集。请注意，使用时应遵循相应的许可协议和引用要求。
关键代码示例
1. 下载数据集
假设我们已经有了数据集的下载链接，可以使用 Python 的 requests 库来下载数据集：
Python
深色版本
import requests
import os
# 定义下载链接和保存路径
url = '' # 替换为实际的下载链接
save_path = './fire_dataset.zip'
# 检查是否已经下载过
if not os.path.exists(save_path):
print("Downloading dataset...")
response = requests.get(url, stream=True)
with open(save_path, 'wb') as f:
for chunk in response.iter_content(chunk_size=8192):
if chunk:
f.write(chunk)
print("Download complete.")
else:
print("Dataset already exists.")
# 解压数据集
import zipFile
with zipfile.ZipFile(save_path, 'r') as zip_ref:
zip_ref.extractall('./fire_dataset')
2. 解析 YOLO 格式的标注文件
以下是一个解析 YOLO 格式标注文件的函数：
Python
深色版本
def parse_yolo_annotation(anno_file, image_width, image_height):
annotations =
with open(anno_file, 'r') as f:
lines = f.readlines
for line in lines:
parts = line.strip.split(' ')
class_id = int(parts[0])
x_center = float(parts[1]) * image_width
y_center = float(parts[2]) * image_height
width = float(parts[3]) * image_width
height = float(parts[4]) * image_height
xmin = x_center - width / 2
ymin = y_center - height / 2
xmax = x_center + width / 2
ymax = y_center + height / 2
annotations.append({
'class_name': 'fire',
'class_id': class_id,
'bbox': [xmin, ymin, xmax, ymax]
})
return annotations
3. 加载图像并显示标注框
我们可以使用 OpenCV 来加载图像，并使用 Matplotlib 来显示图像及其标注框：
Python
深色版本
import cv2
import matplotlib.pyplot as plt
def load_image(image_path):
return cv2.imread(image_path)
def display_image_with_annotations(image, annotations):
fig, ax = plt.subplots
ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
for anno in annotations:
bbox = anno['bbox']
rect = plt.Rectangle((bbox[0], bbox[1]), bbox[2] - bbox[0], bbox[3] - bbox[1],
fill=False, edgecolor='red', linewidth=2)
ax.add_patch(rect)
ax.text(bbox[0], bbox[1], f"{anno['class_name']} ({anno['class_id']})", fontsize=12, color='white', backgroundcolor='red')
plt.show
# 示例用法
image_path = './fire_dataset/train/images/image_0001.jpg'
anno_path = './fire_dataset/train/annotations/image_0001.txt'
image = load_image(image_path)
image_height, image_width, _ = image.shape
annotations = parse_yolo_annotation(anno_path, image_width, image_height)
display_image_with_annotations(image, annotations)
4. 使用数据集进行训练
如果您打算使用这个数据集进行深度学习模型的训练，可以使用 PyTorch 或 TensorFlow 等框架。以下是一个简单的 PyTorch DataLoader 示例：
Python
深色版本
import torch
from torch.utils.data import Dataset, DataLoader
from PIL import Image
import numpy as np
class FireDataset(Dataset):
def __init__(self, image_dir, anno_dir, transform=None):
self.image_dir = image_dir
self.anno_dir = anno_dir
self.transform = transform
self.images = os.listdir(image_dir)
def __len__(self):
return len(self.images)
def __getitem__(self, idx):
img_name = self.images[idx]
image = Image.open(os.path.join(self.image_dir, img_name)).convert("RGB")
anno_name = img_name.replace('.jpg', '.txt')
anno_path = os.path.join(self.anno_dir, anno_name)
image_np = np.array(image)
image_height, image_width, _ = image_np.shape
annotations = parse_yolo_annotation(anno_path, image_width, image_height)
if self.transform:
image = self.transform(image)
return image, annotations
# 创建 DataLoader
dataset = FireDataset(image_dir='./fire_dataset/train/images',
anno_dir='./fire_dataset/train/annotations')
dataloader = DataLoader(dataset, batch_size=4, shuffle=True, num_workers=2)
# 遍历数据
for images, annotations in dataloader:
# 在这里进行模型训练
YOLO模型训练
为了使用YOLO进行火灾检测，您可以使用预训练的YOLO模型，并对其进行微调。以下是一个简单的YOLOv5训练示例：
安装YOLOv5：
Bash
深色版本
git clone GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite
cd yolov5
pip install -r requirements.txt
准备数据集：
将数据集转换为YOLO所需的格式，并创建配置文件（例如 data.Yaml）：
yaml
深色版本
train: ./fire_dataset/train/images
val: ./fire_dataset/val/images
test: ./fire_dataset/test/images
nc: 1 # 类别数
names: ['fire'] # 类别名称
训练模型：
使用YOLOv5进行训练：
Bash
深色版本
python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt
评估模型：
训练完成后，可以使用验证集进行评估：
Bash
深色版本
python val.py --data data.yaml --weights runs/train/exp/weights/best.pt
推理测试：
使用训练好的模型进行推理测试：
Bash
深色版本
python detect.py --source ./fire_dataset/test/images --weights runs/train/exp/weights/best.pt --conf 0.4
通过上述步骤，您将拥有一个完整的YOLO火灾检测系统，包括数据集、预训练模型和相关的训练流程。希望这些代码能帮助您更好地利用该数据集！
来源：有趣的科技君
