基于 YOLOv11 + DeepSeek 的火灾检测系统 深度学习框架YOLO结合deepseek 调用 DeepSeek 生成火灾风险建议 ：Vue3 + TypeScript + Elemen

基于YOLOv11+DeepSeek火灾检测系统 智能消防监控解决方案

1. 多模态检测全覆盖：支持图片批量检测、视频流分析、摄像头实时监测，全场景适配消防监控需求
   ​
2. YOLOv11深度赋能：搭载最新YOLOv11深度学习模型，火焰识别精度超90%，检测速度毫秒级响应
   ​
3. 自定义模型训练：支持用户上传专属数据集重训模型，生成个性化权重文件，适配不同火灾场景
   ​
4. 人性化UI交互：Vue3+Element-Plus打造可定制化界面，兼容深色/色弱模式，操作极简易上手
   ​
5. 全栈技术架构：SpringBoot+Flask双后端架构，搭配FFmpeg视频处理、MySQL数据存储，系统稳定可靠
   

🎯核心功能详解
✅多方式检测：图片批量识别、视频逐帧分析、摄像头实时监控，满足消防巡检、应急响应等不同场景需求
✅精准火灾识别：基于YOLOv11+DeepSeek双模型融合，对火焰目标实现高精度定位与概率化识别，漏检率趋近于0
✅实时监控预警：摄像头实时流检测，火灾发生时即时识别并记录检测结果，为应急处置争取黄金时间
✅模型灵活定制：开放自定义数据集训练接口，用户可根据场景需求优化模型，适配仓库、楼宇、森林等不同环境
✅数据可视化管理：检测结果自动生成报表并支持PDF导出，识别概率、耗时等数据直观展示，便于溯源分析
✅个性化界面配置：支持主题色、布局、组件大小自定义，深色模式/色弱模式适配，兼顾不同用户使用习惯

🛠️技术栈优势
前端：Vue3 + TypeScript + Element-Plus（高性能、组件化、易拓展）
后端：SpringBoot + MyBatis-Plus + Flask（高并发、轻量级、跨平台）
深度学习：YOLOv11 + Pytorch（最新检测算法、训练效率高）
视频处理：FFmpeg（全格式兼容、实时流处理）
数据库：MySQL（数据存储稳定、查询高效）

📌适用场景
消防监控中心、工业园区、商业楼宇、森林景区、校园/社区安防等公共安全领域，也可作为应急响应系统的核心检测模块集成使用

基于 YOLOv11 + DeepSeek 的火灾检测系统核心代码，仅保留最核心功能（图片/摄像头检测 + AI 建议），适合快速演示、比赛展示或项目原型。

✅ 依赖少（仅需ultralytics+requests）
✅ 支持 YOLOv11（通过 Ultralytics 最新版）
✅ 调用 DeepSeek 生成火灾风险建议

🔥 极简火灾检测系统（fire_detect_simple.py）

# fire_detect_simple.pyfromultralyticsimportYOLOimportcv2importrequestsimportsys# === 配置 ===YOLO_WEIGHTS='yolov11n.pt'# 或你训练好的 best.ptDEEPSEEK_API_KEY='your_deepseek_api_key_here'CONF_THRESH=0.4# 置信度阈值# === 加载模型 ===print("🚀 正在加载 YOLOv11 火灾检测模型...")model=YOLO(YOLO_WEIGHTS)# 自动下载 yolov11n（Ultralytics >=8.3.0）# === DeepSeek 生成建议 ===defget_fire_advice(fire_count:int,conf:float):prompt=f"检测到{fire_count}处火焰，最高置信度{conf:.1%}。请以消防专家身份给出应急建议："try:resp=requests.post("https://api.deepseek.com/v1/chat/completions",headers={"Authorization":f"Bearer{DEEPSEEK_API_KEY}"},json={"model":"deepseek-chat","messages":[{"role":"user","content":prompt}]},timeout=10)returnresp.json()['choices'][0]['message']['content']except:return"⚠️ AI 建议获取失败，请检查网络或 API 密钥。"# === 检测函数 ===defdetect_fire(source):cap=cv2.VideoCapture(source)whileTrue:ret,frame=cap.read()ifnotret:break# YOLO 推理（假设类别 0 是 'fire'）results=model(frame,conf=CONF_THRESH)fire_boxes=[bforbinresults[0].boxesifint(b.cls)==0]# 绘制结果annotated_frame=results[0].plot()cv2.putText(annotated_frame,f"Fire:{len(fire_boxes)}",(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2)# 显示画面cv2.imshow('🔥 Fire Detection (Press Q to Quit)',annotated_frame)# 若检测到火焰，打印 AI 建议（仅首次）iffire_boxesandnothasattr(detect_fire,'advice_shown'):max_conf=max(b.conf.item()forbinfire_boxes)advice=get_fire_advice(len(fire_boxes),max_conf)print("\n🚨 火灾警报！")print("💡 AI 建议：",advice)detect_fire.advice_shown=Trueifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()# === 主程序 ===if__name__=='__main__':print("🔥 火灾检测系统启动！")mode=input("选择模式：1-摄像头 / 2-视频文件 / 3-图片: ").strip()ifmode=='1':detect_fire(0)# 摄像头elifmode=='2':path=input("输入视频路径: ")detect_fire(path)elifmode=='3':path=input("输入图片路径: ")img=cv2.imread(path)results=model(img,conf=CONF_THRESH)results[0].show()else:print("❌ 无效选项")

📌 使用说明

1. 安装依赖

   pipinstallultralytics opencv-python requests

2. 准备模型

   • 方式一：使用官方yolov11n.pt（自动下载，但需自行微调为火灾检测）
   • 方式二（推荐）：用你的火灾数据集训练 YOLOv11，生成best.pt，替换YOLO_WEIGHTS

3. 设置 DeepSeek API Key

   • 注册 DeepSeek 开放平台
   • 获取 API Key，替换代码中的your_deepseek_api_key_here

4. 运行

   python fire_detect_simple.py

⚠️ 注意事项

• 类别 ID：代码中假设火焰类别为class_id=0，请根据你的数据集调整。
• YOLOv11 支持：需安装最新版 Ultralytics（≥8.3.0）：

  pipinstall-U ultralytics

• 离线使用：若无 DeepSeek，可注释掉get_fire_advice调用，仅保留检测。

✅ 扩展建议（用于高分项目）