森林火灾目标检测数据集这个方向我从第三期就开始整理到第五期终于把图像质量、类别均衡、标注口径都拉到了能直接落地训练的水准。如果你正在做林火预警、无人机巡护或者监控视频烟火识别手头缺的往往是有烟火、有虚警、有各种光照干扰的真实样本而不是网上随手能下的常规标签图。这篇文章就把这套森林火灾目标检测数据集的构成逻辑、标注规则、训练调参和部署踩坑一次讲透内容偏实操新手能照着走老手可以只挑第三章和第四章看。1. 森林火灾目标检测的行业痛点与数据集的设计取向1.1 为什么通用目标检测数据集在烟火场景上会翻车很多团队第一次做森林防火AI都会拿通用检测数据集做预训练或者直接用网上开源的烟雾检测模型。看起来起步很快真到了摄像头前就露馅。通用数据集的场景以城市道路、行人、车辆为主图像成像距离近、光照均匀、目标纹理清晰而森林火灾场景几乎处处相反观测距离几十米到几公里火苗可能是几个像素的小亮点烟雾颜色接近云层背景是大量树叶和山体纹理光照还会被树冠切割成明暗交错的斑块。更麻烦的是通用集里几乎没有负样本设计。所谓负样本是指长得像火苗的夕阳反光、像烟雾的晨雾和薄云、像火点的红色岩石。训练数据里没有这些东西检测器上线之后就会把大量自然现象判断成火情导致真实告警被误报淹没。第5期数据集在设计上把负样本当成一类正式样本放进去比例约占图像总数的15%这直接决定了模型的实用下限。1.2 第5期数据集在类别与层级上的取舍目标检测的类别定义不是越细越好。早期我试过把火分成地表火、树冠火、飞火三类把烟雾按浓度分三档结果标注员之间的一致性很差模型也学不明白。第五期收敛成四个目标类别明火、烟雾、烟囱火、负样本干扰。明火指火焰区域可见的像素集合烟雾指能明显区分于背景的灰白色烟羽烟囱火特指林区防火瞭望塔、管理站烟囱这类固定热源的火焰负样本则是上述易混淆场景。这样的层级设计有几个考虑。一是森林火灾检测的重点是报警速度和粗定位不需要精确判断火灾类型那是后续研判系统的工作二是把固定热源单独拉出来可以避免模型把林区住户烟囱里的烟火误判为林火三是负样本类别在推理阶段会被直接丢弃但训练时它们能帮模型学到什么不是火相当于给分类边界加了约束。表格化定义如下类别名定义标注框规则fire森林环境中的明火包括火焰与灼热区域框住可见火焰区域的外接矩形允许包含少量热浪背景smoke林区背景下的烟雾羽流覆盖烟羽可见主体的矩形不框入孤立薄云chimney有固定烟道来源的烟火完整框住火苗与烟柱需注明来源位置distractor类似的自然/人造干扰物只标明显误报案例如落日反光、红岩、白色建筑2. 数据集内容拆解图像来源、目标类型与标注字段2.1 图像来源与去重策略第5期的原始素材来源主要有三类固定塔架摄像机的历史视频抽帧、无人机巡护航拍视频抽帧、以及公开渠道收集的森林火灾新闻图像。固定摄像机贡献最多因为它的机位稳定、视角重复率高能提供不同季节、不同时段、不同天气条件下的真实变化无人机素材则补充了大量高空俯视角度的样本目标尺度更小、背景更破碎。去重不是只做一次哈希去重至少要做两层处理。第一层用感知哈希快速过滤完全相同的画面第二层对抽帧时间相近、画面内容高度重合的序列做关键帧选取同一段火情的视频最多保留5帧左右且帧间要有明显位移或亮度变化。这么做的目的是防止标注数据内部出现孪生样本——如果训练集和验证集里出现几乎相同的两帧验证分数会虚高实战效果却很差。2.2 四类目标的判定边界与难例规则标注规则里最需要较真的不是正样本而是边界情况。明火类别有一个硬性标准火焰面积占图像总像素的比例超过0.05%才给标注框小于这个比例的目标保留原始画面但不标框。这样做不是为了省事而是因为模型在小目标上的检测能力有限强行标注零散的火星会让loss剧烈震荡同时教给模型一个几乎学不动的目标尺度。烟雾类别的判定则更依赖动态线索。单帧画面里一团静止的白云和烟羽在颜色纹理上几乎没有区别真正的区别在于烟羽会随风扩散、顶部形态不断变化。因此视频抽帧时我要求相邻帧间隔不超过1秒标注员可以看相邻帧来确认目标是否是烟。图像素材没有上下文时标注统一参照烟雾的形态特征边缘有羽化、下部与火源相连、整体呈上升趋势。难例规则是最容易被忽视的部分。例如烟雾被树干遮挡、只剩下两段不连续的区域时我要求按整体烟羽的外接范围框不分开标、不丢半截目的是让模型学会烟可以被遮挡这一真实规律。又比如日落时阳光穿透树冠形成的条状光柱如果颜色接近火苗并且形态呈团状必须标成负样本干扰而不是放过去。2.3 标注字段与质量复核机制标注格式统一使用COCO的JSON结构同时在每条标注里额外记录了三个业务字段拍摄时间timestamp、机位高度camera_height、天气状态weather。这些字段在训练时用不到但对部署阶段的误报过滤很有用。比如夜间无热成像条件下可见光模型输出的夜间火点置信度通常会下降这时候可以利用timestamp字段在业务侧调整置信度阈值。标注字段的细节如下面这段JSON所示{ id: fire_0058_11423, source: tower_03, image: { width: 1920, height: 1080, timestamp: 2025-03-24T17:32:1808:00, weather: sunny_wind_2 }, annotations: [ { bbox: [1240, 780, 36, 42], category_id: 1, difficult: false }, { bbox: [1505, 810, 120, 60], category_id: 2, difficult: true } ] }质量复核有两个环节。第一环节是交叉复核同一批图像由两位标注员独立标注用IoU大于0.6且类别一致作为通过标准不一致的样本抽出来重新讨论第二环节是抽样验收标注完成后按类别抽5%的框交给有火险经验的人做终审主要检查漏标和框偏移。我实测下来交叉复核能把类别混淆率从15%压到5%以下这是性价比最高的一步。3. 从零复现这份数据集的构建流程与工具链3.1 采集阶段的镜头选择与拍摄规范如果你也想按第5期的思路自建数据采集阶段有一个原则宁可画面不清晰也不要人为增加目标的可见度。很多采集团队喜欢用高倍变焦怼着火焰拍出来的画面确实漂亮但模型在真实监控画面上根本看不到这么近、这么大的火。正确的做法是模拟真实监控的成像尺度火焰目标在1920×1080分辨率下边长不超过80像素烟雾目标边长不超过200像素等比例控制。镜头参数上固定摄像机用6mm焦距巡检无人机保持80米到120米高度、垂直视角拍摄。拍摄时段要覆盖凌晨、正午、黄昏三个光照极端季节要覆盖枯叶期、返青期、雨季。我见过不少数据集翻车的案例问题都出在正午强光下拍摄的图像太多导致模型把高光树叶也当成烟雾。3.2 清洗去重与坏图的判定标准采集回来的原始帧不能直接进标注环节需要先做一轮图像级清洗。坏图的判定标准包括对焦严重模糊且无法判断目标、画面超过30%被树干或遮挡物覆盖、烟幕完全占满画面导致火源不可见、以及镜头被雨水或灰尘污染造成的脏点图像。这类图像真实存在但作为训练样本价值极低保留过多反而会让模型把镜头污渍当成烟雾特征。去重除了前面说的感知哈希还要做一次内容级去重。具体做法是把图像缩放到448×448提取颜色直方图和边缘直方图计算余弦相似度相似度高于0.9的只保留一张。这个门槛比感知哈希低能把不同拍摄角度但背景高度相似的帧也过滤掉。实测下来一轮内容级去重让数据量从2万帧降到1.1万帧但验证集的mAP反而涨了三个点原因就是训练集和验证集之间的信息泄漏被切断了。3.3 标注复核与增强时的数据泄漏控制数据增强是公开题但森林火灾有自己的细节。毛病出在很多人对同一张图同时做水平翻转和亮度扰动如果验证集里也用了同一张原始图模型就相当于提前见过增强后的副本评估会虚高。第5期的做法是先完成原始图像的训练/验证划分再对训练集单独做增强增强后的副本绝不回流到验证集。增强策略我建议优先考虑三类随机亮度扰动、随机色温扰动、随机裁剪缩放。亮度和色温扰动对应不同天气和时段的光照变化裁剪缩放对应无人机飞行高度差异。马赛克增强可以用但强度要调低因为森林背景的元素相对单一马赛克拼接后的图像边界感过强容易让模型学会只看拼接缝。3.4 训练/验证/测试划分的口径划分数据时最容易犯的错是随机划分。同一段连续视频抽出的帧会被打散到不同集合里模型其实已经看过相近帧了。第5期按场景来源划分来自同一座塔架的同一天视频的所有帧放入同一集合无人机同一次起飞的素材也全部放入同一集合。这样划分后验证集才真正代表模型没见过的场景。比例上训练集占70%验证集占15%测试集占15%。测试集里的负样本占比特意提高到20%用来评估误报率。我在测试集上还保留了一组极端天气子集包含雨天、雾天、夜间三种情况专门用来观察模型在恶劣条件下的退化程度这一组不进训练集也不参与调参只在最终验收时单独报一次指标。4. 用该数据集训练检测器的实战经验与调参记录4.1 基线模型选择与预训练权重策略目标检测器这块我试过Faster R-CNN、YOLOv5、YOLOv8、RTDETR四类最终第5期数据集的推荐基线是YOLOv8m和RTDETR-l各跑一条。Faster R-CNN在远距离小目标上确实有优势但推理速度在边缘设备上不够看YOLO系在720P输入下能跑到30帧以上适合实时监控RTDETR对烟雾这种无固定形状的目标更友好代价是显存占用更高。预训练权重不建议用原始的COCO权重直接训练。森林火灾目标与COCO里的火、烟完全不沾边直接用通用权重等于从零学一半复用价值只体现在边缘纹理特征上。更好的做法是先用公开的火灾图片做两轮粗略预训练再把权重迁移到第5期上精调。如果条件不允许至少把初始学习率调低30%防止前几个epoch把预训练特征冲掉。4.2 关键训练参数与收敛曲线分析输入尺寸我选用736×736而不是默认的640。火苗可能在整幅画面的角落需要更大的输入尺度保住小目标特征。显存不够时优先降低batch size而不是降低输入尺寸梯度累积步数设4。初始学习率取0.0005warmup前3个epoch线性升到0.002之后用余弦衰减。整个训练过程跑120个epoch左右用EMA平滑权重。Loss曲线要看两个关键拐点。第一个拐点出现在15~20个epoch之间总loss会快速下降对应模型学会区分有没有目标第二个拐点出现在60~70个epoch此时分类loss和box loss出现锯齿说明模型开始学习易混淆样本的边界这时候如果验证集mAP只涨不动说明增强强度过小可以把亮度扰动幅度从±20%扩到±35%。第5期上的一组参数实测数据如下表参数值备注输入尺寸736×736小目标优先初始学习率0.0005COCO权重迁移时减30%batch size16梯度累积4实际等效64训练轮数120提前停止条件mAP50连续15轮不升增强强度亮度±35%色温±1800K重点模拟晨昏光照4.3 容易翻车的现实场景黄昏、反光、远距离小目标训练收敛之后真正决定模型能不能用的是考验场景。第一个典型翻车点是黄昏。太阳低角度照射时树干被染成橙红色火苗和树皮反光在颜色和亮度上几乎不可分。这需要通过训练数据的时段均衡来解决第5期在采集阶段刻意把黄昏时段的比例拉到20%同时在推理侧给置信度阈值加一个时段偏置日出日落前后两小时阈值降低0.1宁可多报一次也不要漏报。第二个翻车点是水体反光。湖面或河流的橙黄色倒影在模型眼里和明火特别像。我踩过最狠的一次是一段无人机过河影像模型把整条河面的夕阳倒影都框成了火点置信度高达0.9。处理方式分两头训练数据里加入水面反光负样本推理侧做规则检测框长宽比大于10:1或长边超过画面宽度的30%直接判为倒影丢弃。第三个翻车点是远距离小目标。实测5公里外的火苗经过43倍变焦后只有十几个像素训练集里像素面积小于36的目标虽然不参与标注但我额外用分割方法生成了少量合成小目标作为补充。具体做法是把近景火焰的纹理块裁剪出来随机缩小、叠加到空旷背景上并做泊松融合消除边界。这个操作能让mAP在小目标子集上提升约7个百分点代价是增加了极少量的语义错位需要肉眼复核。5. 部署与落地时踩过的坑及排除方法5.1 无人机与监控摄像机的推理性能差异同一套权重在两种部署形态下表现差异很大。固定摄像机画面稳定、目标尺寸相对一致可以用较小的模型跑高帧率比如YOLOv8s加736输入无人机画面抖动剧烈、视角变化快同一棵树的火苗下一帧就可能跑到画面边缘这种情况下我建议用YOLOv8m并且要把NMS的IoU阈值从0.45调低到0.35。阈值调低的逻辑是无人机图像中同一团火会因为运动模糊被预测成多个错位的框更严格的NMS能保证输出框稳定。算力分配上固定点位每5秒推一帧做检测即可无人机视频流则需要连续推理。后者在边缘盒子上的实测延迟约为38毫秒每帧足够用但如果同时对三路以上视频流推理帧率会掉到个位数此时要把输入尺寸降到544×544并用TensorRT加速。加速后精度下降通常不超过2%肉眼几乎看不出来。5.2 误报重灾区云层、炊烟与施工扬尘模型上线后会遭遇大量训练集覆盖不到的干扰。云层误报排在第一位。低空碎积云的边缘在阳光照射下会呈现出烟羽般的纹理早期版本在阴晴交替天气里每小时误报3到5次管理者很快就不再信任告警。解决思路是在业务侧加一个运动一致性判断连续5帧检测到同一坐标的烟雾框才触发告警云层的形态变化快难以在连续帧中保持稳定位置。炊烟和施工扬尘是更难的数据问题。炊烟具备烟羽的典型形态训练集里看不到就会被当正样本。我的办法是给负样本类别持续补充每周收集一次误报截图人工筛选后并入下一期训练集。施工扬尘则主要通过颜色先验做后处理它可以由目标检测输出位置再由一个三通道颜色统计模块判定该区域灰度是否呈现灰中带黄的泥沙色调。5.3 从检测框到火点坐标的业务映射目标检测输出的是像素框但森林防火真正需要的是经纬度或地块编号。这个环节的坑在于镜头参数和地面的配准误差。固定摄像机会随风力发电塔轻微晃动如果直接用出厂标定的俯仰角将像素坐标换算成地理坐标误差会随着距离线性放大。第5期数据集的标注阶段就记录了每个机位拍摄的均匀网格标定图像推荐在部署时每月重做一次配准用4个地面控制点计算单应性矩阵。实际业务里我更建议把检测框先转成扇区编号而不是精确经纬度。每个监控点位按水平视野划成左、中、右三个扇区检测框中心落在哪个扇区就向护林员发送该扇区的告警。这样绕开了复杂的标定运算也不会因为镜头轻微偏移带来定位误导。无人机场景则直接使用飞控的遥测经纬度取框中心的相对位偏移换算即可。最后我在实际使用中发现最容易忽略的反而不是模型本身而是数据集的时效性。森林植被随季节更替同一座山头的背景纹理每隔一两个月就变化一次去年的负样本到今年可能就成了正样本的相似物。第5期数据集之所以叫第5期就是因为它的负样本库和场景覆盖一直在滚动更新。做森林烟火检测的周期不能像常规业务那样训一次顶一年最好给自己定一个季度更新节奏每次只补充几百张新场景图成本不高误报率的下降却很立竿见影。