简介：这份资源是面向目标检测学习者的YOLO烟雾数据集，适合从事火灾预警、工业安全监控、环境烟雾识别等方向的算法工程师与高校学生使用，可解决烟雾目标检测训练样本不足、标注质量参差的问题。压缩包共收录2000个文件，以xml格式的标注文件为主，对应21578张烟雾图像，整体约268.9MB，标注文件可直接用于YOLO系列模型的训练与验证流程。目前已有482人学习下载，说明该数据集在烟雾检测任务中具备一定参考价值。数据集聚焦烟smoke100类别，标注信息完整，读者可据此快速搭建烟雾检测实验环境，用于模型训练、精度对比与消融实验，也可作为课程设计或毕业项目的训练数据来源，省去自行采集与标注图像的时间成本。
1. 烟雾检测数据集落地：21578 张带标签图像到底能跑出什么效果
消防通道的摄像头拍到一缕白烟，传统阈值报警器要等烟雾浓度累积到触发线才响，中间可能已经烧了三四分钟。换成 YOLO 做视觉烟雾检测，理论上能在烟雾刚出现的头几帧就框出来——但前提是你手里有一份标注质量过关、场景覆盖够广的数据集。这次拆的yolo算法-烟雾数据集-21578张图像带标签-烟smoke100-uwe4t.zip就是干这个的：21578 张图像，全部带 XML 标签，单类别 smoke，标注格式是 Pascal VOC 那套。它解决的不是"模型怎么搭"的问题，而是"拿什么数据训"的问题。适合两类人：一是想快速验证烟雾检测可行性、不想从零标数据的算法工程师；二是做安防、森林防火、工业巡检方向，需要一份能直接转 YOLO 格式的现成标注集。下面按"数据长什么样 → 怎么转格式 → 怎么训 → 坑在哪"的顺序拆开讲。
2. 先看清数据底子：VOC XML 标注与 21578 张图的组织方式
2.1 解压后目录结构与文件命名规律
拿到压缩包第一件事不是急着训，是先摸清目录。这类数据集常见组织方式是JPEGImages/放图、Annotations/放 XML，文件名一一对应。从项目正文给的样本看，XML 命名是img_0485_10246.xml这种「前缀_批次_序号」结构，说明图像大概率也是img_0485_10246.jpg同名。先跑一遍统计，确认图和标签是否配对齐全，这一步能提前发现丢标签、丢图的问题。
# 解压后进入根目录，先看结构 unzip yolo算法-烟雾数据集-21578张图像带标签-烟smoke100-uwe4t.zip -d smoke_dataset cd smoke_dataset # 统计图像和标注数量 find . -name "*.jpg" | wc -l find . -name "*.xml" | wc -l # 找出有图无标签、有标签无图的文件 comm -3 <(find . -name "*.jpg" -printf "%f\n" | sed 's/.jpg//' | sort) \ <(find . -name "*.xml" -printf "%f\n" | sed 's/.xml//' | sort)comm -3那行是关键：它把图像名和标签名各自排序后做差集，输出任何一边多出来的文件。正常情况应该没有任何输出；如果刷出一堆名字，说明数据集本身有缺失，训练前必须处理掉，否则 YOLO 加载时会直接报找不到标签。-printf "%f\n"只取文件名不带路径，避免路径差异干扰比对。
2.2 单类别 smoke 的标注内容与坐标格式
VOC 格式的 XML 核心就几块：<size>记录图像宽高，<object>里<name>是类别名，<bndbox>是xmin/ymin/xmax/ymax四个像素坐标。这份数据集是单类别，<name>应该统一是smoke。先抽几个 XML 看看，确认类别名没有拼写不一致（比如smoke和Smoke混用，这是血泪经验里最常见的翻车点，YOLO 会当成两个类）。
import glob, xml.etree.ElementTree as ET from collections import Counter names = Counter() sizes = [] for f in glob.glob("Annotations/*.xml")[:500]: # 抽样500个够看分布 root = ET.parse(f).getroot() w = int(root.find("size/width").text) h = int(root.find("size/height").text) sizes.append((w, h)) for obj in root.findall("object"): names[obj.find("name").text] += 1 print("类别分布:", names) # 期望只有 smoke 一个键 print("尺寸样本:", Counter(sizes).most_common(5))这段代码做两件事：统计类别名是否唯一，统计图像分辨率分布。如果names里冒出第二个键，说明标注不纯，得先统一。分辨率分布决定你训练时的imgsz怎么设——如果绝大多数是 640×640 附近，直接imgsz=640；如果普遍偏小（比如 320×240），硬拉到 640 只会插值糊掉，反而掉点。Counter(sizes).most_common(5)能一眼看出主流尺寸。
提示：抽样 500 个足够判断分布，全量遍历 2 万多个 XML 会慢，正式训练前再全量校验一次即可。
3. VOC 转 YOLO 格式：转换脚本与归一化坐标的四个边界坑
3.1 为什么必须转：YOLO 要的是归一化中心点格式
YOLO 训练不认 VOC 的绝对像素坐标，它要的是每行class_id cx cy w h，且全部归一化到 0~1。cx cy是框中心点，w h是框宽高，都除以图像对应边长。转换本身不难，难在边界处理：框超出图像、宽高为 0、坐标是浮点、类别名映射错位，这四个坑任何一个都能让训练 loss 直接 NaN 或者 mAP 归零。下面这份脚本把校验和转换揉在一起，转完直接能用。
import os, glob, xml.etree.ElementTree as ET CLASS_MAP = {"smoke": 0} # 单类别，映射到 0 IMG_DIR, XML_DIR, OUT_DIR = "JPEGImages", "Annotations", "labels" os.makedirs(OUT_DIR, exist_ok=True) def convert(xml_path): root = ET.parse(xml_path).getroot() w = int(root.find("size/width").text) h = int(root.find("size/height").text) lines = [] for obj in root.findall("object"): cls = obj.find("name").text.strip() if cls not in CLASS_MAP: continue b = obj.find("bndbox") xmin = float(b.find("xmin").text); ymin = float(b.find("ymin").text) xmax = float(b.find("xmax").text); ymax = float(b.find("ymax").text) # 边界裁剪：防止框超出图像导致归一化后越界 xmin, xmax = max(0, xmin), min(w, xmax) ymin, ymax = max(0, ymin), min(h, ymax) bw, bh = xmax - xmin, ymax - ymin if bw <= 1 or bh <= 1: # 过滤无效框 continue cx = (xmin + xmax) / 2 / w cy = (ymin + ymax) / 2 / h lines.append(f"{CLASS_MAP[cls]} {cx:.6f} {cy:.6f} {bw/w:.6f} {bh/h:.6f}") return lines for xml in glob.glob(f"{XML_DIR}/*.xml"): stem = os.path.splitext(os.path.basename(xml))[0] lines = convert(xml) with open(f"{OUT_DIR}/{stem}.txt", "w") as f: f.write("\n".join(lines))逻辑说明：max(0, xmin)和min(w, xmax)是边界裁剪，VOC 标注里偶尔会有标注员手抖把框拖出图像，不裁的话归一化后 cx 可能大于 1，YOLO 直接判为非法标签。bw <= 1 or bh <= 1过滤掉宽高不足 1 像素的框，这种框在缩放后基本消失，留着只会污染 loss。:.6f保留六位小数，YOLO 官方推荐精度，太少会累积误差。
3.2 生成 train/val 划分与 data.yaml
转完标签还得划分训练验证集，并写一份 YOLO 认的data.yaml。划分别用随机，烟雾数据如果同一段视频抽帧，随机划分会导致训练集和验证集高度相似，验证 mAP 虚高。常见做法是按文件名前缀（比如img_0485这种批次号）分组划分，保证同批次进同一侧。
import glob, os, random random.seed(42) imgs = sorted(glob.glob("JPEGImages/*.jpg")) # 按前缀分组，避免同源帧泄漏 groups = {} for p in imgs: key = os.path.basename(p).rsplit("_", 1)[0] groups.setdefault(key, []).append(p) keys = list(groups.keys()); random.shuffle(keys) split = int(len(keys) * 0.9) train = [p for k in keys[:split] for p in groups[k]] val = [p for k in keys[split:] for p in groups[k]] for name, items in [("train", train), ("val", val)]: with open(f"{name}.txt", "w") as f: f.write("\n".join(os.path.abspath(p) for p in items)) print(f"train={len(train)} val={len(val)}")data.yaml内容如下，path写数据集根目录绝对路径，nc是类别数，单类别就是 1：
path: /abs/path/to/smoke_dataset train: train.txt val: val.txt nc: 1 names: ["smoke"]注意：
names的顺序必须和转换脚本里CLASS_MAP的 id 严格对应，smoke是 0 就写在第 0 位，写反了模型学出来的全是错的。
4. 用 YOLOv8 跑通训练：参数怎么设、显存怎么省
4.1 环境与启动命令
环境用 ultralytics 官方包最省事，pip install ultralytics一把梭。训练入口就一行命令，但参数得按数据规模调。21578 张图不算小，单卡 8G 显存跑yolov8n或yolov8s比较稳，yolov8m以上得看显存。
yolo detect train \ data=data.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ workers=8 \ cache=True \ patience=20 \ project=runs/smoke \ name=exp1参数逐个说：model=yolov8s.pt是从预训练权重起步，烟雾这种单类别任务，预训练能省一半以上收敛时间，别从yaml空权重训。batch=16是 8G 显存下的保守值，显存够可以往上加，但 batch 太大对小目标烟雾反而不利。cache=True把图像缓存到内存，2 万张图大概吃 6~8G 内存，内存够就开，能明显提速。patience=20是早停，20 轮验证指标不涨就停，省时间。
4.2 关键超参：imgsz、学习率与数据增强
imgsz=640不是随便定的。烟雾在监控画面里往往只占一小块，如果原始分辨率高，缩到 640 后烟雾可能只剩十几个像素，模型根本学不到。这种情况要么提高imgsz到 960/1280（显存翻倍），要么在数据增强里关掉大幅缩放。默认增强里mosaic和scale对烟雾检测是把双刃剑：mosaic 拼图能增加小目标样本，但烟雾本身纹理弱，拼图后容易和背景混淆。
# 如果发现小目标漏检严重，调低缩放增强、提高输入尺寸 yolo detect train data=data.yaml model=yolov8s.pt epochs=100 \ imgsz=960 batch=8 scale=0.3 mosaic=0.5 lr0=0.005scale=0.3把随机缩放幅度压到 ±30%，mosaic=0.5表示一半概率用 mosaic，lr0=0.005比默认 0.01 略低，单类别任务不需要太激进的学习率，太大容易在早期把预训练特征冲垮。这些值不是标准答案，是给一个可调的起点，具体看训练曲线里cls_loss和mAP50的走势再微调。
4.3 训练过程该盯哪几个指标
跑起来后别只等结果，盯runs/smoke/exp1/results.csv。重点看三个：train/box_loss是否稳定下降、metrics/mAP50是否在涨、val/box_loss有没有和训练 loss 背离。如果训练 loss 一直降但验证 mAP 卡住不动，八成是过拟合或者验证集分布和训练集差太远。如果box_loss出现 NaN，回去查第 3 章的转换脚本，大概率是归一化坐标越界或空标签文件。
提示：空标签文件（图像里没有 smoke）在 YOLO 里是合法的，代表纯背景负样本，别删。但如果一个数据集里空标签占比超过 30%，说明标注可能漏标，得回头核对。
5. 避坑与排查：烟雾数据集训练最常见的五个翻车点
5.1 现象：训练启动就报 "No labels found"
原因：data.yaml里train/val指向的 txt 文件路径不对，或者 txt 里写的是相对路径但训练时工作目录变了。YOLO 找标签的规则是：把图像路径里的images替换成labels、后缀换成.txt。如果你的目录不叫images，它就找不到。
解决：要么把目录规范成images/和labels/结构，要么在 txt 里写绝对路径。最稳的是用绝对路径，第 3.2 节脚本里os.path.abspath就是干这个的。
5.2 现象：mAP 一直是 0 或者极低
原因：类别 id 对不上。转换时smoke映射成 0，但data.yaml里names写成了别的顺序，或者 XML 里类别名有大小写混用导致部分框被continue跳过。
解决：跑一遍全量类别统计，确认 XML 里只有一种写法；再检查data.yaml的names和转换脚本的CLASS_MAP是否一致。这两个地方对齐，mAP 不可能为 0。
5.3 现象：显存爆了，报 CUDA out of memory
原因：batch或imgsz设太大，或者cache=True时内存不够被系统杀进程。
解决：先把batch降到 8 或 4，再考虑降imgsz。如果开了cache=True还爆，关掉它，用磁盘 IO 换内存。另外workers别设太高，设成 CPU 核数就行，设太高反而抢内存。
5.4 现象：验证集 mAP 虚高，实际部署漏检严重
原因：训练验证划分时同一段视频的帧被分到了两边，验证集和训练集高度相似，模型等于在"背答案"。
解决：按文件名前缀或时间戳分组划分，保证同源帧进同一侧。第 3.2 节的rsplit("_", 1)[0]就是按前缀分组，如果你的命名规律不同，改成对应的时间戳或批次号。
5.5 现象：烟雾框位置偏移，框偏大或偏小
原因：XML 里size记录的宽高和实际图像尺寸不一致。有些数据集在裁剪或缩放图像后忘了同步更新 XML 里的size，导致归一化基准错了。
解决：转换前用 PIL 读一遍实际图像尺寸，和 XML 里的size比对，不一致的以实际图像为准重新计算。这一步多花几分钟，能省掉后面几小时的排查。
6. 进阶：用混淆矩阵和 PR 曲线判断这份数据到底够不够用
训完一轮别急着收工，runs/smoke/exp1/下会自动生成confusion_matrix.png和PR_curve.png，这两张图比 mAP 一个数字信息量大得多。混淆矩阵看的是分类对不对：单类别任务里，矩阵是 2×2（smoke 和 background），对角线是分对的，非对角线是漏检和误检。如果 background 被大量误判成 smoke（假阳性高），说明模型把云、雾、蒸汽这类纹理当成了烟，得往训练集里补负样本。如果 smoke 大量被判成 background（漏检高），说明烟雾特征学得不够，要么加数据，要么提高输入分辨率。
PR 曲线看的是不同置信度阈值下的查准查全权衡。曲线下的面积就是 mAP，但更实用的是看曲线拐点：拐点靠右上说明模型在较高召回下还能保持查准，适合安防场景（宁可误报不可漏报）；拐点靠左下说明模型保守，适合需要低误报的场景。根据你的业务选阈值，别直接用默认 0.25。
from ultralytics import YOLO model = YOLO("runs/smoke/exp1/weights/best.pt") metrics = model.val(data="data.yaml", conf=0.4, iou=0.5) print("mAP50:", metrics.box.map50) print("每类AP:", metrics.box.ap50) # 单类别就一个值conf=0.4是验证时用的置信度阈值，比默认高，能看出模型在高置信下的真实水平。iou=0.5是判定预测框和真值框匹配的 IoU 门槛，标准做法。跑完对比不同conf下的map50，选一个业务上可接受的平衡点。
我自己的习惯是：每次拿到新数据集，先跑一遍基线，把混淆矩阵和 PR 曲线存下来当参照，后面任何改动都跟这个基线比。有一次偷懒没存基线，改完增强策略发现 mAP 涨了 2 个点，结果回头一查是验证集划分变了，白高兴一场。从那以后我每次动数据或改划分，都强制先固定一份 val 集不动，只调训练侧。希望这份拆解能帮你少走点弯路，数据集拿到手先校验再转格式，转完先跑小样本过拟合测试，确认流程通了再上全量。
本文还有配套的精品资源，点击获取
