各项结果以项目实际运行报告为准。汇报时注意说明数据集不是纯森林数据集，测试集被用于多个检查点比较，系统输出需要人工核实。
1. 基于 YOLO 的森林火灾烟雾与明火检测
大家好，我汇报的题目是基于 YOLO 的森林火灾烟雾与明火检测及复杂背景误检分析。项目既做目标检测，也关注模型把云、天际线或植被误认为烟火的情况。封面使用的是数据集中的真实样本。
2. 复杂背景会触发误报
项目从空标签测试图片中的实际误报出发。此页先交代测试集样本，具体预测框在案例页展示。空标签表示原数据没有目标框，不代表图片在现实中绝对没有烟火；因此还要对照原图和预测结果核查。
3. 项目流程
项目流程分成数据、模型、输出和核查四部分。模型对图像或视频帧给出类别、框和置信度；置信度阈值只在验证集上选择，然后固定用于测试集。误检统计和案例核查是本项目的重点。
4. 数据集与划分
数据集采用 D-Fire 的 Kaggle 镜像，共 21,527 张图片，包含烟雾、明火和空标签负样本。训练、验证和测试图片数分别为 15,069、3,229、3,229。数据按感知哈希近似分组；原始视频编号缺失，因此不能称为严格的视频级隔离。
5. YOLOv8n 检测基线
模型采用 YOLOv8n 作为轻量基线，通过预训练权重迁移学习。它在一次前向过程中完成特征提取、目标定位和类别判断。最终每个目标输出边界框、类别和置信度。
6. 训练安排
基线累计三十轮。困难负样本从训练集 6,491 张空标签图中筛出 148 张，再分批累计微调 40 轮，每批从上一批最佳权重继续。验证集和测试集没有参与挖掘。设备为六 GB 的 RTX 3060 笔记本 GPU，训练过程采用 batch 八、混合精度和六百四十输入。
7. 困难负样本如何加入
困难负样本来自模型自己的真实误报。脚本扫描训练集里的 6,491 张空标签候选图，筛出基线仍然预测出目标的图片，共 148 张。它们继续保持空标签，只加入训练清单；验证集和测试集不参与筛选。
8. 阈值与测试口径
置信度只在验证集上选择，按 micro-F1 最大原则确定，然后固定用于测试。测试集共 3,229 张，其中 1,645 张是空标签图。误报率按被模型触发的空标签图片数除以空标签图片总数计算。测试集已经用于多个检查点比较，因此这里报告的是比较实验，不是独立盲测。
9. 测试集 mAP 对比
图中比较十轮基线、三十轮基线和困难负样本模型。困难负样本模型的测试 mAP@0.5 为 0.691，相对三十轮基线变化 3.66 个百分点。mAP 是对置信度排序的整体评价，不等同于固定阈值下的精确率和召回率。
10. 空标签图误报率
困难负样本模型的空标签测试图误报率相对三十轮基线下降 3.4 个百分点，召回变化 +0.2 个百分点。该比例只针对数据集中的空标签图，不是现实火灾报警率。
11. 类别表现与错误分布
烟雾与明火的测试 mAP@0.5 分别为 0.765 和 0.617，相差 14.8 个百分点。固定阈值匹配后仍有 1582 个漏检和 943 个误检。
12. 典型误检与漏检
左侧是空标签测试图上的实际误报，模型预测为 smoke。右侧是实际漏检，原标注为 fire。图像观察与原因假设分别记录，具体背景因素需结合原始画面判断。
13. 本地检测系统
系统使用 Streamlit 在本机运行，提供图片和短视频检测、模型与置信度选择、检测结果下载、实验对比和误检案例。截图来自实际运行页面。视频接口按帧处理并报告帧数和速度。所有输出仍需要人工核实，不能代替正式报警系统。
14. 结论与局限
困难负样本模型在本测试集上 mAP@0.5 为 0.691，空标签图误报率为 5.4%。但数据不是纯森林场景，分组只是近似，测试集用于多个模型检查点比较，且系统没有时序判断。后续应增加森林专属样本、按事件隔离训练和测试，并评估连续帧稳定性。项目结果仅供课程演示和人工辅助查看。