火灾检测是安防监控、工业巡检、森林防火等领域的高频需求但大多数现成方案要么只能跑在一体机上要么不便二次开发。这次我们来看一个典型的本地化组合方案基于 YOLOv8 和 YOLOv5 的火灾火焰检测识别系统检测端用 YOLO 系列目标检测算法负责识别画面中的火焰与烟雾区域交互端用PySide6搭建桌面界面支持单张图片检测、摄像头实时检测、视频文件检测和批量检测检测结果直接标注在画面框上。这类项目的价值不在于算法创新而在于工程落地YOLOv5 和 YOLOv8 都是训练生态非常成熟的目标检测框架预训练模型权重和训练脚本齐全PySide6 是 Qt for Python 的官方绑定做监控类桌面工具比 OpenCV 自带的 highgui 窗口灵活得多能放检测结果列表、状态栏、置信度阈值滑块、实时帧率显示等功能。下面我会把整套系统的核心能力、环境准备、模型训练、PySide6 界面开发、批量检测、接口封装、性能观察和排错方法完整过一遍读者可以按这篇内容从零搭建出一个可运行的火灾火焰检测识别系统。如果你只是想快速验证效果最省事的路径是下载 YOLOv5 或 YOLOv8 官方仓库用现成预训练权重换成自己的火灾数据集做微调然后把推理部分封装成检测类接到 PySide6 界面的 QThread 线程里。这套技术栈的优点是显存要求相对友好普通消费级显卡即可训练和推理支持 CPU 推理只是速度慢一些模型导出方便可以转 ONNX、TensorRT 部署到边缘设备GUI 部分可以脱离命令行使用便于交给非技术用户操作。下面先从核心能力速览开始。1. 核心能力速览能力项说明项目构成YOLOv5 / YOLOv8 目标检测模型 PySide6 桌面 GUI 界面检测目标火焰区域、烟雾区域、火源点等火灾相关目标类别以训练数据标注为准检测输入单张图片、摄像头实时画面、视频文件、批量图片目录界面能力实时显示检测框、置信度阈值调节、检测结果数量统计、开始/停止控制训练框架YOLOv5 使用官方 train.py 仓库YOLOv8 使用 ultralytics 包PySide6 版本PySide6 是 Qt6 的 Python 绑定安装后通过 QMainWindow 构建界面硬件要求NVIDIA 显卡建议 CUDA 11.8 以上CPU 也可推理但性能有差距显存占用不确定需按模型版本和输入分辨率测试通常推理阶段 2G 至 6G 范围启动方式命令行启动检测脚本或运行 PySide6 主窗口程序是否支持 API可自行封装 FastAPI / Flask 接口官方模型库不提供现成 Web API是否支持批量任务需要自己写批量脚本或用 PySide6 界面选择目录批量处理适合场景安防监控、厂区巡检、森林防火、消防演练教学、课程设计、算法部署验证说明一点YOLOv8 和 YOLOv5 的模型权重本身不含火灾类别公开预训练权重是在 COCO 等通用数据集上训练的。要识别火焰和烟雾必须用火灾检测数据集做微调或者直接使用社区开源的火炬检测权重。这不是开箱即用而是训练型项目。2. 适用场景与使用边界2.1 适合什么场景这个系统最典型的应用场景是固定监控画面的火焰/烟雾检测。摄像头安装在仓库、车间、变电站、林区卡口等位置画面通过 RTSP 流转入检测程序程序逐帧推理一旦检测到火焰置信度超过阈值就在界面标红、记录时间戳必要时调用告警接口。其次是图片和视频的人工复核。消防值班人员可以用 PySide6 界面手动加载一段监控录像快速筛查着火时段比盯着整段原视频效率高很多。再次是课程设计和算法实验。YOLOv5 YOLOv8 PySide6 的组合非常适合作为毕业设计、课程项目算法部分有成熟框架支撑界面部分能体现工程能力整套代码结构清晰答辩时容易讲明白。2.2 不适合什么场景不适合对实时性要求极高的核心消防系统。目标检测模型存在漏检和误检不能替代专业火灾报警传感器。如果要用作消防联动必须加多帧确认、传感器融合和人工复核机制。不适合低算力边缘设备除非做模型压缩和 TensorRT 转换。直接在树莓派或低端 RK 系列板卡上跑 YOLOv8s 会非常吃力。不适合需要极高精度的小火苗检测场景。火焰形状多变、颜色和背景接近时仅靠可见光目标检测模型表现有限可以考虑红外摄像头、时序模型或烟雾传感器补充。2.3 使用边界与合规提醒火灾检测系统如果部署在公共区域或企业内部需要注意隐私合规问题。摄像头画面可能包含人员、车辆、面部等个人信息必须按规定在显著位置告知监控区域限制录像的存储和访问权限禁止将监控数据用于与消防安全无关的用途。模型训练使用的火灾图片数据集要确认版权和授权。从网络上抓取图片做训练存在版权风险建议优先使用公开数据集、自有拍摄素材或已获授权的数据集。如果后续在产品中部署此系统建议备份日志、检测告警记录并对漏报误报做定期评估。本系统属于辅助检测工具不能作为唯一的安全判断依据。3. 系统架构与模块划分整套系统从结构上看可以分成三个模块检测模块、界面模块、数据处理模块。检测模块负责加载 YOLO 模型对输入图像做推理返回检测框坐标、类别名称和置信度。这个模块要独立封装后续切换 YOLOv5 和 YOLOv8 只改这一层。推荐用类似下面这样的检测类封装# detector.py from ultralytics import YOLO class FireDetector: def __init__(self, weights_path, conf_threshold0.25): self.model YOLO(weights_path) self.conf_threshold conf_threshold def detect_frame(self, frame): results self.model.predict( sourceframe, confself.conf_threshold, verboseFalse ) boxes [] if len(results) 0: r results[0] for box in r.boxes: x1, y1, x2, y2 box.xyxy[0].tolist() conf float(box.conf[0]) cls_id int(box.cls[0]) cls_name self.model.names[cls_id] boxes.append({ bbox: [int(x1), int(y1), int(x2), int(y2)], conf: conf, class: cls_name }) return boxes界面模块负责 PySide6 窗口布局包括图片显示区域、控制按钮、参数滑块、日志区。为了不让检测推理阻塞界面刷新要把检测循环放进 QThread 子线程界面主线程只负责更新控件。数据处理模块负责多种输入源的统一处理图片路径、视频文件路径、摄像头索引、批量图片目录。这决定了界面层的代码不需要关心输入源差异只要交给一个统一的“帧流”对象。这三个模块分离之后功能扩展会方便很多。例如想把检测结果通过 MQTT 上报消防平台只需要在检测模块的 detect_frame 返回结果后增加一个发送逻辑界面和业务逻辑可以分开改。4. 本地部署环境准备4.1 操作系统与 Python 版本YOLOv5、YOLOv8 和 PySide6 都支持 Windows、Linux、macOS但考虑到 CUDA 环境推荐 Windows 10/11 或 Ubuntu 20.04/22.04。Python 版本建议 3.9 到 3.11。YOLOv5 官方仓库对 Python 版本要求比较宽容YOLOv8 的 ultralytics 包在 Python 3.8 以上均可运行。PySide6 需要 Python 3.9 以上。不要直接上 Python 3.13部分依赖包可能还没有对应的 wheel。4.2 显卡与 CUDA训练和推理都建议使用 NVIDIA 显卡。CUDA 版本建议 11.8 以上对应 PyTorch 用 pip 安装即可自动匹配。显卡驱动需要保持较新版本建议使用 NVIDIA 官方驱动安装完成后在命令行执行nvidia-smi查看驱动和显卡情况。显存需求取决于模型规模和输入尺寸。YOLOv5s/YOLOv8n 这类轻量模型推理时4G 显存通常都能满足如果训练时 batch size 较大或图片分辨率很高建议 8G 以上显存。CPU 推理也能跑只是视频流实时性较差单张图片检测还能接受。4.3 安装依赖建议先创建独立虚拟环境避免和系统 Python 环境冲突。# 创建虚拟环境 python -m venv fire_env # Windows 激活 fire_env\Scripts\activate # Linux/macOS 激活 source fire_env/bin/activate然后分别安装 PySide6、ultralytics 和 OpenCVpip install PySide6 pip install ultralytics pip install opencv-python如果使用 YOLOv5 官方仓库需要 clone 仓库后安装它的依赖git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt检查关键包版本python -c import torch, pyside6, cv2; print(torch.__version__); print(cv2.__version__)4.4 验证 PySide6 是否可用PySide6 安装完成后写一个小窗口测试# test_pyside.py import sys from PySide6.QtWidgets import QApplication, QLabel app QApplication(sys.argv) label QLabel(PySide6 works) label.show() sys.exit(app.exec())运行这个脚本如果弹出窗口说明 PySide6 环境正常。如果报缺少 Qt 平台插件错误通常是系统缺少图形库Windows 下可检查显卡驱动Linux 下可安装 libxcb 相关依赖。5. 火灾检测数据集与模型训练5.1 数据集准备火灾检测数据集的标注类别根据实际需求确定常见的有 fire火焰、smoke烟雾、flame火星。建议至少把“火焰”和“烟雾”拆开标注因为这两类在检测任务中差异很大合成一起训练容易互相干扰。训练数据建议覆盖多个场景室内火、室外火、夜间火、不同光照条件的火、不同颜色的烟雾。否则模型很容易只在固定场景下表现好换一个环境就漏检。标注格式如果使用 YOLOv8 和 YOLOv5推荐直接使用 YOLO txt 格式。每张图片对应一个同名 txt 文件每行表示一个目标class_id x_center y_center width height归一化坐标值在 0 到 1 之间。目标检测数据集通常还要准备 train.txt、val.txt或使用 YOLOv8 的“图片路径 labels 目录”结构。5.2 数据集目录结构示例dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml 文件内容train: ./images/train val: ./images/val nc: 2 names: [fire, smoke]5.3 YOLOv8 训练命令安装 ultralytics 后训练命令非常简单yolo detect train datadataset/data.yaml modelyolov8s.pt epochs100 imgsz640 batch8也可以使用 Python 脚本from ultralytics import YOLO model YOLO(yolov8s.pt) model.train(datadataset/data.yaml, epochs100, imgsz640, batch8)训练完成后最佳权重保存在 runs/detect/train/weights/best.pt。5.4 YOLOv5 训练命令YOLOv5 官方仓库训练命令python train.py --data dataset/data.yaml --weights yolov5s.pt --epochs 100 --batch-size 8 --img 640训练完成后权重同样在 runs/train/exp/weights/best.pt。5.5 模型评估要点训练完要看几个指标mAP50、mAP50-95、precision、recall。火灾检测场景中召回率比精确率重要。漏检一次火灾可能造成严重后果宁可偶尔误报也不要漏检。如果 recall 偏低可以尝试降低置信度阈值、增加数据多样性、提高输入分辨率。还要做一个“换场景泛化测试”。用训练集外的图片、视频片段测试观察模型在陌生光照、陌生角度下的表现。如果表现明显下降说明数据不够多样需要继续补数据。实际部署时置信度阈值建议先设在 0.25 到 0.35再根据现场误报情况调整。5.6 导出 ONNX 或 TensorRT如果后续要部署到边缘设备或提高推理速度可以导出 ONNXyolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640YOLOv5 导出python export.py --weights runs/train/exp/weights/best.pt --include onnx导出的 ONNX 模型可以用 onnxruntime 推理不依赖 PyTorch 环境部署更轻量。6. PySide6 界面开发与功能测试6.1 界面布局规划典型的火灾检测界面可以分成几个区域顶部标题栏显示当前模型和输入源。左侧检测画面显示区用 QLabel 显示缩放后的图片帧。右侧控制面板包含“打开图片”“打开摄像头”“打开视频”“开始检测”“停止检测”按钮。参数区置信度阈值 QSlider、检测结果统计 QLabel。底部日志信息区显示检测耗时、检测到的目标数量、火灾告警提示。核心原则检测不放在 UI 主线程。如果直接在主线程跑摄像头循环窗口会卡死。QThread 是 PySide6 的方案。6.2 工作线程封装用 QThread 的 run 方法执行摄像头视频流读取和检测循环通过信号把结果帧发送到主界面# fire_thread.py from PySide6.QtCore import QThread, Signal import cv2 from detector import FireDetector class DetectThread(QThread): frame_ready Signal(object) log_message Signal(str) def __init__(self, source0, weightsbest.pt, conf0.25): super().__init__() self.source source self.conf conf self.detector FireDetector(weights, conf) self.running True def run(self): cap cv2.VideoCapture(self.source) if not cap.isOpened(): self.log_message.emit(无法打开视频源) return while self.running: ret, frame cap.read() if not ret: break boxes self.detector.detect_frame(frame) for b in boxes: x1, y1, x2, y2 b[bbox] cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) label f{b[class]} {b[conf]:.2f} cv2.putText(frame, label, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) self.frame_ready.emit(frame) cap.release() def stop(self): self.running False self.wait()6.3 主窗口绑定主窗口创建检测线程、连接信号、更新界面# main_window.py import cv2 from PySide6.QtWidgets import QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget from PySide6.QtGui import QImage, QPixmap from fire_thread import DetectThread class FireWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(火灾火焰检测识别系统) self.label QLabel() self.btn_start QPushButton(开始检测) self.btn_stop QPushButton(停止检测) self.btn_start.clicked.connect(self.start_detect) self.btn_stop.clicked.connect(self.stop_detect) layout QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn_start) layout.addWidget(self.btn_stop) container QWidget() container.setLayout(layout) self.setCentralWidget(container) self.thread None def start_detect(self): self.thread DetectThread(source0, weightsbest.pt, conf0.25) self.thread.frame_ready.connect(self.update_frame) self.thread.start() def stop_detect(self): if self.thread: self.thread.stop() self.thread None def update_frame(self, frame): rgb_image cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch rgb_image.shape bytes_per_line ch * w qt_image QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qt_image).scaled( self.label.width(), self.label.height(), Qt.KeepAspectRatio))6.4 功能测试流程部署完成后按以下流程做验证先测试图片检测。准备 5 到 10 张不同场景的火灾图片程序应正确标注火焰/烟雾区域右侧信息区显示检测数量和时间。再测试视频文件检测。用一段包含火焰的视频观察检测稳定性确认画面不闪烁、不卡死。再测试摄像头实时检测。摄像头画面中点燃一张小纸片或用手机播放火焰视频观察延迟。如果推理速度不够可以降低输入分辨率或者换用更小模型例如 YOLOv8n。最后测试批量图片检测。在界面中选择一个目录程序依次对每张图片执行检测保存结果图片和统计 JSON 文件。如果检测线程和界面之间因为信号传输大量帧导致内存上涨需要控制帧率比如每秒只发 10 到 15 帧到界面而不是每帧都传。6.5 判断成功标准检测成功的最低标准是火焰主体区域能被框出置信度在 0.3 以上烟雾区域不会大面积误报摄像头画面持续运行 10 分钟无崩溃界面在检测过程中不卡死。能达到这些标准系统就可以进入实际使用测试阶段。7. 批量任务与 API 接口封装7.1 批量图片检测脚本PySide6 界面适合人工操作但批量处理几百张图片时命令行脚本和 API 更高效。下面是一个批量检测脚本# batch_detect.py import os import json import cv2 from tqdm import tqdm from detector import FireDetector def batch_detect(input_dir, output_dir, weights_path, conf0.25): os.makedirs(output_dir, exist_okTrue) detector FireDetector(weights_path, conf) results_summary [] image_exts (.jpg, .jpeg, .png, .bmp) files [f for f in os.listdir(input_dir) if f.lower().endswith(image_exts)] for filename in tqdm(files): image_path os.path.join(input_dir, filename) frame cv2.imread(image_path) if frame is None: continue boxes detector.detect_frame(frame) for b in boxes: x1, y1, x2, y2 b[bbox] cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(frame, f{b[class]} {b[conf]:.2f}, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) out_path os.path.join(output_dir, filename) cv2.imwrite(out_path, frame) results_summary.append({ image: filename, fire_count: sum(1 for b in boxes if b[class] fire), smoke_count: sum(1 for b in boxes if b[class] smoke), boxes: boxes }) with open(os.path.join(output_dir, results.json), w, encodingutf-8) as f: json.dump(results_summary, f, ensure_asciiFalse, indent2) if __name__ __main__: batch_detect(inputs, outputs, best.pt)批量任务要注意输出结果分开保存原图、标注图、JSON 统计三个目录或前缀。之后人工复核时只需要看标注图和 JSON不需要重新推理。7.2 API 服务封装如果需要把检测能力提供给其他系统调用例如消防平台、运维告警系统可以写一个轻量 FastAPI 服务# api_server.py import base64 import cv2 import numpy as np from fastapi import FastAPI, UploadFile, File from detector import FireDetector app FastAPI() detector FireDetector(best.pt, conf0.25) app.post(/detect) async def detect_image(file: UploadFile File(...)): content await file.read() nparr np.frombuffer(content, np.uint8) frame cv2.imdecode(nparr, cv2.IMREAD_COLOR) boxes detector.detect_frame(frame) return { count: len(boxes), results: boxes } app.get(/health) async def health(): return {status: ok} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)启动方式pip install fastapi uvicorn python api_server.py调用示例curl -X POST http://127.0.0.1:8000/detect -F filetest_fire.jpg返回值示例{ count: 2, results: [ {bbox: [120, 80, 300, 260], conf: 0.82, class: fire}, {bbox: [90, 70, 320, 240], conf: 0.76, class: smoke} ] }接口服务部署后要限制访问范围不要直接暴露到公网。建议在内网运行使用 IP 白名单或反向代理加鉴权防止接口被滥用。7.3 批量任务与接口结合的工程建议如果批量任务量很大比如每天处理几千张巡检图片建议写成独立任务队列不要直接放在 API 请求里同步处理。可以用简单方案一个扫描脚本把待检测图片路径写入队列多个 worker 进程并行处理结果写入数据库或 JSON。同步接口适合单张、低并发的场景异步任务队列适合大规模批次。失败重试机制很关键。批量检测中读取图片失败、显卡显存不足、超时都可能导致任务中断。建议每个文件独立 try/except失败后记录到 error_list.txt程序结束后统一重试一次。8. 资源占用与性能观察8.1 观察显存占用模型加载后显存占用是固定的根据模型参数量、输入分辨率变化。推理时显存占用会比静态加载高一些因为要存储中间特征图。推荐用以下命令实时观察显存占用Linux 下watch -n 1 nvidia-smiWindows 下可以用任务管理器 GPU 栏目或通过nvidia-smi命令查看。如果使用 YOLOv8可以在代码里打印 PyTorch 的显存使用情况import torch print(torch.cuda.memory_allocated() / 1024**2, MB) print(torch.cuda.memory_reserved() / 1024**2, MB)这部分数值需要以本机实际测试为准。不同模型、不同输入分辨率差异很大。8.2 推理速度的影响因素影响推理速度的主要因素按影响大小排序模型尺寸、输入分辨率、推理后端、批量大小、是否使用 TensorRT。YOLOv8n 速度最快但精度最低YOLOv8x 精度最高但速度慢。火灾检测场景通常不需要检测非常小的目标YOLOv8s或YOLOv5s是比较平衡的选择。输入分辨率方面YOLOv5 和 YOLOv8 默认 640提高到 1280 会改善小目标检测但推理耗时成倍增加。摄像头实时检测时建议固定 640。推理后端方面FP16 推理比 FP32 快TensorRT 比 PyTorch 原生推理快。生产环境可以优先考虑 TensorRT。8.3 如何降低显存占用减少 batch size、降低输入分辨率、裁剪视频帧率、使用更小模型。摄像头场景下不需要每帧都推理可以每 3 到 5 帧推理一次其余帧直接复用上一次检测框这能显著降低 GPU 负载。9. 常见问题与排查方法问题现象可能原因排查方式解决方案启动后界面打不开PySide6 依赖缺失或显卡驱动问题运行 test_pyside.py 验证基础窗口升级显卡驱动检查系统库重新安装 PySide6pip install ultralytics 失败Python 版本不兼容或网络问题查看错误日志确认 Python 版本使用 Python 3.9-3.11 创建新虚拟环境配置镜像源检测时提示未找到模型文件best.pt 路径错误或不在当前目录打印当前路径检查文件是否存在使用绝对路径加载权重摄像头画面黑屏摄像头索引错误或权限不足测试 cap.isOpened()换其他程序验证摄像头更换 source 索引在系统设置中授权摄像头访问检测时 GPU 显存不足输入分辨率过高或 batch 过大查看 nvidia-smi 显存占用降低 imgsz切换更小模型或使用 FP16视频检测卡顿明显CPU 推理或 GPU 线程竞争观察任务管理器 CPU/GPU 占用改用 GPU 推理降低帧率降低输入分辨率PySide6 界面卡死、按钮无响应检测逻辑阻塞了 UI 主线程检查是否在 QThread 中执行推理将视频读取和检测循环移到 QThread火焰和烟雾经常检测不到模型训练不足或阈值太高用测试图片验证统计漏检补充训练数据降低置信度阈值背景中的灯光、橙色物体误报为火焰样本不足或误分类收集误报样本加入负样本训练增加负样本数据微调模型接口检测返回 500 错误上传文件解码失败或模型路径错误查看 API 服务日志增加 try/except返回明确错误信息批量任务中某张图片导致程序退出图片腐蚀、读取失败打印异常信息每个文件单独 try/except记录失败列表运行界面后闪退且无日志Qt 平台插件缺失或环境变量异常命令行运行脚本查看报错设置 QT_QPA_PLATFORM 或重新安装 PySide610. 最佳实践与部署建议第一次跑模型先用最小参数验证整个链路单张图片、YOLOv8n、640 分辨率、CPU 或 GPU 推理确认检测框能正常画出来再逐步上摄像头和批量任务。训练环境、推理环境、界面开发环境尽量分离。模型训练用 GPU 服务器推理部署用另一台机器界面开发在一台单独的开发机避免环境互相污染。文件目录建议按下面方式组织fire_detection/ ├── weights/ │ ├── best.pt │ └── best.onnx ├── inputs/ ├── outputs/ ├── detector.py ├── batch_detect.py ├── api_server.py ├── main_window.py ├── fire_thread.py └── requirements.txt模型权重和输入素材、输出结果分开存放避免误删。每次批量任务执行前给输出目录加上时间戳。批量任务要记录运行日志和失败文件列表失败不要静默最终汇总成报告便于后续重跑。API 服务如果部署到公网必须加鉴权和 HTTPS不能裸奔。涉及真实监控画面和人员数据时必须遵守隐私合规要求建议在系统中增加“数据仅用于消防安全检测不用于其他用途”的说明并对检测日志做脱敏处理。部署前建议组织一轮模拟火灾测试在安全场地制造可控烟雾、火焰验证系统能否在 3 到 5 秒内识别并告警。这个测试结果比单纯的离线准确率更有工程价值。11. 总结与下一步这套基于 YOLOv8、YOLOv5 和 PySide6 的火灾火焰检测识别系统最大的优点是技术栈成熟、扩展性强。YOLO 系列在目标检测场景的训练和部署生态几乎是最完善的PySide6 负责界面逻辑两者结合后既能做可视化演示也能封装成接口服务适合安防巡检、消防实验、课程设计等多种场景。建议第一步先验证模型检测能力准备火灾数据集训练一个 YOLOv8s 模型跑通单张图片检测同时用 PySide6 做一个最简界面。这一步通了后续加摄像头、加批量任务、加 API 都是水到渠成的扩展。最容易踩的坑有三个一是训练数据场景太单一导致换环境就漏检二是把检测逻辑放进了 UI 主线程界面卡死三是批量任务没有做单文件容错一张坏图让整个任务中断。先把这三个问题规避掉系统稳定性会有明显提升。后续可以继续扩展的方向包括用 TensorRT 加速推理并部署到边缘设备接入 RTSP 实时监控流增加火焰区域连续多帧确认降低误报使用 PySide6 的 QChart 展示不同时间的检测热力图将告警信息接入企业微信、钉钉或 MQTT。这套框架本身已经具备把这些能力接进去的接口位置真正做起来并不复杂。
基于YOLOv8/YOLOv5与PySide6的火灾火焰检测识别系统
火灾检测是安防监控、工业巡检、森林防火等领域的高频需求但大多数现成方案要么只能跑在一体机上要么不便二次开发。这次我们来看一个典型的本地化组合方案基于 YOLOv8 和 YOLOv5 的火灾火焰检测识别系统检测端用 YOLO 系列目标检测算法负责识别画面中的火焰与烟雾区域交互端用PySide6搭建桌面界面支持单张图片检测、摄像头实时检测、视频文件检测和批量检测检测结果直接标注在画面框上。这类项目的价值不在于算法创新而在于工程落地YOLOv5 和 YOLOv8 都是训练生态非常成熟的目标检测框架预训练模型权重和训练脚本齐全PySide6 是 Qt for Python 的官方绑定做监控类桌面工具比 OpenCV 自带的 highgui 窗口灵活得多能放检测结果列表、状态栏、置信度阈值滑块、实时帧率显示等功能。下面我会把整套系统的核心能力、环境准备、模型训练、PySide6 界面开发、批量检测、接口封装、性能观察和排错方法完整过一遍读者可以按这篇内容从零搭建出一个可运行的火灾火焰检测识别系统。如果你只是想快速验证效果最省事的路径是下载 YOLOv5 或 YOLOv8 官方仓库用现成预训练权重换成自己的火灾数据集做微调然后把推理部分封装成检测类接到 PySide6 界面的 QThread 线程里。这套技术栈的优点是显存要求相对友好普通消费级显卡即可训练和推理支持 CPU 推理只是速度慢一些模型导出方便可以转 ONNX、TensorRT 部署到边缘设备GUI 部分可以脱离命令行使用便于交给非技术用户操作。下面先从核心能力速览开始。1. 核心能力速览能力项说明项目构成YOLOv5 / YOLOv8 目标检测模型 PySide6 桌面 GUI 界面检测目标火焰区域、烟雾区域、火源点等火灾相关目标类别以训练数据标注为准检测输入单张图片、摄像头实时画面、视频文件、批量图片目录界面能力实时显示检测框、置信度阈值调节、检测结果数量统计、开始/停止控制训练框架YOLOv5 使用官方 train.py 仓库YOLOv8 使用 ultralytics 包PySide6 版本PySide6 是 Qt6 的 Python 绑定安装后通过 QMainWindow 构建界面硬件要求NVIDIA 显卡建议 CUDA 11.8 以上CPU 也可推理但性能有差距显存占用不确定需按模型版本和输入分辨率测试通常推理阶段 2G 至 6G 范围启动方式命令行启动检测脚本或运行 PySide6 主窗口程序是否支持 API可自行封装 FastAPI / Flask 接口官方模型库不提供现成 Web API是否支持批量任务需要自己写批量脚本或用 PySide6 界面选择目录批量处理适合场景安防监控、厂区巡检、森林防火、消防演练教学、课程设计、算法部署验证说明一点YOLOv8 和 YOLOv5 的模型权重本身不含火灾类别公开预训练权重是在 COCO 等通用数据集上训练的。要识别火焰和烟雾必须用火灾检测数据集做微调或者直接使用社区开源的火炬检测权重。这不是开箱即用而是训练型项目。2. 适用场景与使用边界2.1 适合什么场景这个系统最典型的应用场景是固定监控画面的火焰/烟雾检测。摄像头安装在仓库、车间、变电站、林区卡口等位置画面通过 RTSP 流转入检测程序程序逐帧推理一旦检测到火焰置信度超过阈值就在界面标红、记录时间戳必要时调用告警接口。其次是图片和视频的人工复核。消防值班人员可以用 PySide6 界面手动加载一段监控录像快速筛查着火时段比盯着整段原视频效率高很多。再次是课程设计和算法实验。YOLOv5 YOLOv8 PySide6 的组合非常适合作为毕业设计、课程项目算法部分有成熟框架支撑界面部分能体现工程能力整套代码结构清晰答辩时容易讲明白。2.2 不适合什么场景不适合对实时性要求极高的核心消防系统。目标检测模型存在漏检和误检不能替代专业火灾报警传感器。如果要用作消防联动必须加多帧确认、传感器融合和人工复核机制。不适合低算力边缘设备除非做模型压缩和 TensorRT 转换。直接在树莓派或低端 RK 系列板卡上跑 YOLOv8s 会非常吃力。不适合需要极高精度的小火苗检测场景。火焰形状多变、颜色和背景接近时仅靠可见光目标检测模型表现有限可以考虑红外摄像头、时序模型或烟雾传感器补充。2.3 使用边界与合规提醒火灾检测系统如果部署在公共区域或企业内部需要注意隐私合规问题。摄像头画面可能包含人员、车辆、面部等个人信息必须按规定在显著位置告知监控区域限制录像的存储和访问权限禁止将监控数据用于与消防安全无关的用途。模型训练使用的火灾图片数据集要确认版权和授权。从网络上抓取图片做训练存在版权风险建议优先使用公开数据集、自有拍摄素材或已获授权的数据集。如果后续在产品中部署此系统建议备份日志、检测告警记录并对漏报误报做定期评估。本系统属于辅助检测工具不能作为唯一的安全判断依据。3. 系统架构与模块划分整套系统从结构上看可以分成三个模块检测模块、界面模块、数据处理模块。检测模块负责加载 YOLO 模型对输入图像做推理返回检测框坐标、类别名称和置信度。这个模块要独立封装后续切换 YOLOv5 和 YOLOv8 只改这一层。推荐用类似下面这样的检测类封装# detector.py from ultralytics import YOLO class FireDetector: def __init__(self, weights_path, conf_threshold0.25): self.model YOLO(weights_path) self.conf_threshold conf_threshold def detect_frame(self, frame): results self.model.predict( sourceframe, confself.conf_threshold, verboseFalse ) boxes [] if len(results) 0: r results[0] for box in r.boxes: x1, y1, x2, y2 box.xyxy[0].tolist() conf float(box.conf[0]) cls_id int(box.cls[0]) cls_name self.model.names[cls_id] boxes.append({ bbox: [int(x1), int(y1), int(x2), int(y2)], conf: conf, class: cls_name }) return boxes界面模块负责 PySide6 窗口布局包括图片显示区域、控制按钮、参数滑块、日志区。为了不让检测推理阻塞界面刷新要把检测循环放进 QThread 子线程界面主线程只负责更新控件。数据处理模块负责多种输入源的统一处理图片路径、视频文件路径、摄像头索引、批量图片目录。这决定了界面层的代码不需要关心输入源差异只要交给一个统一的“帧流”对象。这三个模块分离之后功能扩展会方便很多。例如想把检测结果通过 MQTT 上报消防平台只需要在检测模块的 detect_frame 返回结果后增加一个发送逻辑界面和业务逻辑可以分开改。4. 本地部署环境准备4.1 操作系统与 Python 版本YOLOv5、YOLOv8 和 PySide6 都支持 Windows、Linux、macOS但考虑到 CUDA 环境推荐 Windows 10/11 或 Ubuntu 20.04/22.04。Python 版本建议 3.9 到 3.11。YOLOv5 官方仓库对 Python 版本要求比较宽容YOLOv8 的 ultralytics 包在 Python 3.8 以上均可运行。PySide6 需要 Python 3.9 以上。不要直接上 Python 3.13部分依赖包可能还没有对应的 wheel。4.2 显卡与 CUDA训练和推理都建议使用 NVIDIA 显卡。CUDA 版本建议 11.8 以上对应 PyTorch 用 pip 安装即可自动匹配。显卡驱动需要保持较新版本建议使用 NVIDIA 官方驱动安装完成后在命令行执行nvidia-smi查看驱动和显卡情况。显存需求取决于模型规模和输入尺寸。YOLOv5s/YOLOv8n 这类轻量模型推理时4G 显存通常都能满足如果训练时 batch size 较大或图片分辨率很高建议 8G 以上显存。CPU 推理也能跑只是视频流实时性较差单张图片检测还能接受。4.3 安装依赖建议先创建独立虚拟环境避免和系统 Python 环境冲突。# 创建虚拟环境 python -m venv fire_env # Windows 激活 fire_env\Scripts\activate # Linux/macOS 激活 source fire_env/bin/activate然后分别安装 PySide6、ultralytics 和 OpenCVpip install PySide6 pip install ultralytics pip install opencv-python如果使用 YOLOv5 官方仓库需要 clone 仓库后安装它的依赖git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt检查关键包版本python -c import torch, pyside6, cv2; print(torch.__version__); print(cv2.__version__)4.4 验证 PySide6 是否可用PySide6 安装完成后写一个小窗口测试# test_pyside.py import sys from PySide6.QtWidgets import QApplication, QLabel app QApplication(sys.argv) label QLabel(PySide6 works) label.show() sys.exit(app.exec())运行这个脚本如果弹出窗口说明 PySide6 环境正常。如果报缺少 Qt 平台插件错误通常是系统缺少图形库Windows 下可检查显卡驱动Linux 下可安装 libxcb 相关依赖。5. 火灾检测数据集与模型训练5.1 数据集准备火灾检测数据集的标注类别根据实际需求确定常见的有 fire火焰、smoke烟雾、flame火星。建议至少把“火焰”和“烟雾”拆开标注因为这两类在检测任务中差异很大合成一起训练容易互相干扰。训练数据建议覆盖多个场景室内火、室外火、夜间火、不同光照条件的火、不同颜色的烟雾。否则模型很容易只在固定场景下表现好换一个环境就漏检。标注格式如果使用 YOLOv8 和 YOLOv5推荐直接使用 YOLO txt 格式。每张图片对应一个同名 txt 文件每行表示一个目标class_id x_center y_center width height归一化坐标值在 0 到 1 之间。目标检测数据集通常还要准备 train.txt、val.txt或使用 YOLOv8 的“图片路径 labels 目录”结构。5.2 数据集目录结构示例dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml 文件内容train: ./images/train val: ./images/val nc: 2 names: [fire, smoke]5.3 YOLOv8 训练命令安装 ultralytics 后训练命令非常简单yolo detect train datadataset/data.yaml modelyolov8s.pt epochs100 imgsz640 batch8也可以使用 Python 脚本from ultralytics import YOLO model YOLO(yolov8s.pt) model.train(datadataset/data.yaml, epochs100, imgsz640, batch8)训练完成后最佳权重保存在 runs/detect/train/weights/best.pt。5.4 YOLOv5 训练命令YOLOv5 官方仓库训练命令python train.py --data dataset/data.yaml --weights yolov5s.pt --epochs 100 --batch-size 8 --img 640训练完成后权重同样在 runs/train/exp/weights/best.pt。5.5 模型评估要点训练完要看几个指标mAP50、mAP50-95、precision、recall。火灾检测场景中召回率比精确率重要。漏检一次火灾可能造成严重后果宁可偶尔误报也不要漏检。如果 recall 偏低可以尝试降低置信度阈值、增加数据多样性、提高输入分辨率。还要做一个“换场景泛化测试”。用训练集外的图片、视频片段测试观察模型在陌生光照、陌生角度下的表现。如果表现明显下降说明数据不够多样需要继续补数据。实际部署时置信度阈值建议先设在 0.25 到 0.35再根据现场误报情况调整。5.6 导出 ONNX 或 TensorRT如果后续要部署到边缘设备或提高推理速度可以导出 ONNXyolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640YOLOv5 导出python export.py --weights runs/train/exp/weights/best.pt --include onnx导出的 ONNX 模型可以用 onnxruntime 推理不依赖 PyTorch 环境部署更轻量。6. PySide6 界面开发与功能测试6.1 界面布局规划典型的火灾检测界面可以分成几个区域顶部标题栏显示当前模型和输入源。左侧检测画面显示区用 QLabel 显示缩放后的图片帧。右侧控制面板包含“打开图片”“打开摄像头”“打开视频”“开始检测”“停止检测”按钮。参数区置信度阈值 QSlider、检测结果统计 QLabel。底部日志信息区显示检测耗时、检测到的目标数量、火灾告警提示。核心原则检测不放在 UI 主线程。如果直接在主线程跑摄像头循环窗口会卡死。QThread 是 PySide6 的方案。6.2 工作线程封装用 QThread 的 run 方法执行摄像头视频流读取和检测循环通过信号把结果帧发送到主界面# fire_thread.py from PySide6.QtCore import QThread, Signal import cv2 from detector import FireDetector class DetectThread(QThread): frame_ready Signal(object) log_message Signal(str) def __init__(self, source0, weightsbest.pt, conf0.25): super().__init__() self.source source self.conf conf self.detector FireDetector(weights, conf) self.running True def run(self): cap cv2.VideoCapture(self.source) if not cap.isOpened(): self.log_message.emit(无法打开视频源) return while self.running: ret, frame cap.read() if not ret: break boxes self.detector.detect_frame(frame) for b in boxes: x1, y1, x2, y2 b[bbox] cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) label f{b[class]} {b[conf]:.2f} cv2.putText(frame, label, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) self.frame_ready.emit(frame) cap.release() def stop(self): self.running False self.wait()6.3 主窗口绑定主窗口创建检测线程、连接信号、更新界面# main_window.py import cv2 from PySide6.QtWidgets import QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget from PySide6.QtGui import QImage, QPixmap from fire_thread import DetectThread class FireWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(火灾火焰检测识别系统) self.label QLabel() self.btn_start QPushButton(开始检测) self.btn_stop QPushButton(停止检测) self.btn_start.clicked.connect(self.start_detect) self.btn_stop.clicked.connect(self.stop_detect) layout QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn_start) layout.addWidget(self.btn_stop) container QWidget() container.setLayout(layout) self.setCentralWidget(container) self.thread None def start_detect(self): self.thread DetectThread(source0, weightsbest.pt, conf0.25) self.thread.frame_ready.connect(self.update_frame) self.thread.start() def stop_detect(self): if self.thread: self.thread.stop() self.thread None def update_frame(self, frame): rgb_image cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch rgb_image.shape bytes_per_line ch * w qt_image QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qt_image).scaled( self.label.width(), self.label.height(), Qt.KeepAspectRatio))6.4 功能测试流程部署完成后按以下流程做验证先测试图片检测。准备 5 到 10 张不同场景的火灾图片程序应正确标注火焰/烟雾区域右侧信息区显示检测数量和时间。再测试视频文件检测。用一段包含火焰的视频观察检测稳定性确认画面不闪烁、不卡死。再测试摄像头实时检测。摄像头画面中点燃一张小纸片或用手机播放火焰视频观察延迟。如果推理速度不够可以降低输入分辨率或者换用更小模型例如 YOLOv8n。最后测试批量图片检测。在界面中选择一个目录程序依次对每张图片执行检测保存结果图片和统计 JSON 文件。如果检测线程和界面之间因为信号传输大量帧导致内存上涨需要控制帧率比如每秒只发 10 到 15 帧到界面而不是每帧都传。6.5 判断成功标准检测成功的最低标准是火焰主体区域能被框出置信度在 0.3 以上烟雾区域不会大面积误报摄像头画面持续运行 10 分钟无崩溃界面在检测过程中不卡死。能达到这些标准系统就可以进入实际使用测试阶段。7. 批量任务与 API 接口封装7.1 批量图片检测脚本PySide6 界面适合人工操作但批量处理几百张图片时命令行脚本和 API 更高效。下面是一个批量检测脚本# batch_detect.py import os import json import cv2 from tqdm import tqdm from detector import FireDetector def batch_detect(input_dir, output_dir, weights_path, conf0.25): os.makedirs(output_dir, exist_okTrue) detector FireDetector(weights_path, conf) results_summary [] image_exts (.jpg, .jpeg, .png, .bmp) files [f for f in os.listdir(input_dir) if f.lower().endswith(image_exts)] for filename in tqdm(files): image_path os.path.join(input_dir, filename) frame cv2.imread(image_path) if frame is None: continue boxes detector.detect_frame(frame) for b in boxes: x1, y1, x2, y2 b[bbox] cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(frame, f{b[class]} {b[conf]:.2f}, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) out_path os.path.join(output_dir, filename) cv2.imwrite(out_path, frame) results_summary.append({ image: filename, fire_count: sum(1 for b in boxes if b[class] fire), smoke_count: sum(1 for b in boxes if b[class] smoke), boxes: boxes }) with open(os.path.join(output_dir, results.json), w, encodingutf-8) as f: json.dump(results_summary, f, ensure_asciiFalse, indent2) if __name__ __main__: batch_detect(inputs, outputs, best.pt)批量任务要注意输出结果分开保存原图、标注图、JSON 统计三个目录或前缀。之后人工复核时只需要看标注图和 JSON不需要重新推理。7.2 API 服务封装如果需要把检测能力提供给其他系统调用例如消防平台、运维告警系统可以写一个轻量 FastAPI 服务# api_server.py import base64 import cv2 import numpy as np from fastapi import FastAPI, UploadFile, File from detector import FireDetector app FastAPI() detector FireDetector(best.pt, conf0.25) app.post(/detect) async def detect_image(file: UploadFile File(...)): content await file.read() nparr np.frombuffer(content, np.uint8) frame cv2.imdecode(nparr, cv2.IMREAD_COLOR) boxes detector.detect_frame(frame) return { count: len(boxes), results: boxes } app.get(/health) async def health(): return {status: ok} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)启动方式pip install fastapi uvicorn python api_server.py调用示例curl -X POST http://127.0.0.1:8000/detect -F filetest_fire.jpg返回值示例{ count: 2, results: [ {bbox: [120, 80, 300, 260], conf: 0.82, class: fire}, {bbox: [90, 70, 320, 240], conf: 0.76, class: smoke} ] }接口服务部署后要限制访问范围不要直接暴露到公网。建议在内网运行使用 IP 白名单或反向代理加鉴权防止接口被滥用。7.3 批量任务与接口结合的工程建议如果批量任务量很大比如每天处理几千张巡检图片建议写成独立任务队列不要直接放在 API 请求里同步处理。可以用简单方案一个扫描脚本把待检测图片路径写入队列多个 worker 进程并行处理结果写入数据库或 JSON。同步接口适合单张、低并发的场景异步任务队列适合大规模批次。失败重试机制很关键。批量检测中读取图片失败、显卡显存不足、超时都可能导致任务中断。建议每个文件独立 try/except失败后记录到 error_list.txt程序结束后统一重试一次。8. 资源占用与性能观察8.1 观察显存占用模型加载后显存占用是固定的根据模型参数量、输入分辨率变化。推理时显存占用会比静态加载高一些因为要存储中间特征图。推荐用以下命令实时观察显存占用Linux 下watch -n 1 nvidia-smiWindows 下可以用任务管理器 GPU 栏目或通过nvidia-smi命令查看。如果使用 YOLOv8可以在代码里打印 PyTorch 的显存使用情况import torch print(torch.cuda.memory_allocated() / 1024**2, MB) print(torch.cuda.memory_reserved() / 1024**2, MB)这部分数值需要以本机实际测试为准。不同模型、不同输入分辨率差异很大。8.2 推理速度的影响因素影响推理速度的主要因素按影响大小排序模型尺寸、输入分辨率、推理后端、批量大小、是否使用 TensorRT。YOLOv8n 速度最快但精度最低YOLOv8x 精度最高但速度慢。火灾检测场景通常不需要检测非常小的目标YOLOv8s或YOLOv5s是比较平衡的选择。输入分辨率方面YOLOv5 和 YOLOv8 默认 640提高到 1280 会改善小目标检测但推理耗时成倍增加。摄像头实时检测时建议固定 640。推理后端方面FP16 推理比 FP32 快TensorRT 比 PyTorch 原生推理快。生产环境可以优先考虑 TensorRT。8.3 如何降低显存占用减少 batch size、降低输入分辨率、裁剪视频帧率、使用更小模型。摄像头场景下不需要每帧都推理可以每 3 到 5 帧推理一次其余帧直接复用上一次检测框这能显著降低 GPU 负载。9. 常见问题与排查方法问题现象可能原因排查方式解决方案启动后界面打不开PySide6 依赖缺失或显卡驱动问题运行 test_pyside.py 验证基础窗口升级显卡驱动检查系统库重新安装 PySide6pip install ultralytics 失败Python 版本不兼容或网络问题查看错误日志确认 Python 版本使用 Python 3.9-3.11 创建新虚拟环境配置镜像源检测时提示未找到模型文件best.pt 路径错误或不在当前目录打印当前路径检查文件是否存在使用绝对路径加载权重摄像头画面黑屏摄像头索引错误或权限不足测试 cap.isOpened()换其他程序验证摄像头更换 source 索引在系统设置中授权摄像头访问检测时 GPU 显存不足输入分辨率过高或 batch 过大查看 nvidia-smi 显存占用降低 imgsz切换更小模型或使用 FP16视频检测卡顿明显CPU 推理或 GPU 线程竞争观察任务管理器 CPU/GPU 占用改用 GPU 推理降低帧率降低输入分辨率PySide6 界面卡死、按钮无响应检测逻辑阻塞了 UI 主线程检查是否在 QThread 中执行推理将视频读取和检测循环移到 QThread火焰和烟雾经常检测不到模型训练不足或阈值太高用测试图片验证统计漏检补充训练数据降低置信度阈值背景中的灯光、橙色物体误报为火焰样本不足或误分类收集误报样本加入负样本训练增加负样本数据微调模型接口检测返回 500 错误上传文件解码失败或模型路径错误查看 API 服务日志增加 try/except返回明确错误信息批量任务中某张图片导致程序退出图片腐蚀、读取失败打印异常信息每个文件单独 try/except记录失败列表运行界面后闪退且无日志Qt 平台插件缺失或环境变量异常命令行运行脚本查看报错设置 QT_QPA_PLATFORM 或重新安装 PySide610. 最佳实践与部署建议第一次跑模型先用最小参数验证整个链路单张图片、YOLOv8n、640 分辨率、CPU 或 GPU 推理确认检测框能正常画出来再逐步上摄像头和批量任务。训练环境、推理环境、界面开发环境尽量分离。模型训练用 GPU 服务器推理部署用另一台机器界面开发在一台单独的开发机避免环境互相污染。文件目录建议按下面方式组织fire_detection/ ├── weights/ │ ├── best.pt │ └── best.onnx ├── inputs/ ├── outputs/ ├── detector.py ├── batch_detect.py ├── api_server.py ├── main_window.py ├── fire_thread.py └── requirements.txt模型权重和输入素材、输出结果分开存放避免误删。每次批量任务执行前给输出目录加上时间戳。批量任务要记录运行日志和失败文件列表失败不要静默最终汇总成报告便于后续重跑。API 服务如果部署到公网必须加鉴权和 HTTPS不能裸奔。涉及真实监控画面和人员数据时必须遵守隐私合规要求建议在系统中增加“数据仅用于消防安全检测不用于其他用途”的说明并对检测日志做脱敏处理。部署前建议组织一轮模拟火灾测试在安全场地制造可控烟雾、火焰验证系统能否在 3 到 5 秒内识别并告警。这个测试结果比单纯的离线准确率更有工程价值。11. 总结与下一步这套基于 YOLOv8、YOLOv5 和 PySide6 的火灾火焰检测识别系统最大的优点是技术栈成熟、扩展性强。YOLO 系列在目标检测场景的训练和部署生态几乎是最完善的PySide6 负责界面逻辑两者结合后既能做可视化演示也能封装成接口服务适合安防巡检、消防实验、课程设计等多种场景。建议第一步先验证模型检测能力准备火灾数据集训练一个 YOLOv8s 模型跑通单张图片检测同时用 PySide6 做一个最简界面。这一步通了后续加摄像头、加批量任务、加 API 都是水到渠成的扩展。最容易踩的坑有三个一是训练数据场景太单一导致换环境就漏检二是把检测逻辑放进了 UI 主线程界面卡死三是批量任务没有做单文件容错一张坏图让整个任务中断。先把这三个问题规避掉系统稳定性会有明显提升。后续可以继续扩展的方向包括用 TensorRT 加速推理并部署到边缘设备接入 RTSP 实时监控流增加火焰区域连续多帧确认降低误报使用 PySide6 的 QChart 展示不同时间的检测热力图将告警信息接入企业微信、钉钉或 MQTT。这套框架本身已经具备把这些能力接进去的接口位置真正做起来并不复杂。