数据基础及导论 9

《大数据导论》实验任务报告实验章节：学生姓名： 专业班级： 学号： 机械工业出版社《》课程实验姓名学号班级实验地点指导教师时间实验任务任务名称基于YOLOv8的火焰烟雾检测任务目标理解卷积神经网络在目标检测任务中的作用，掌握YOLOv8单阶段目标检测模型的基本结构；能够完成图像数据集整理、模型训练、模型推理与检测结果分析；形成“数据准备—模型训练—模型评估—结果解释”的完整实验思路。具体任务内容围绕火焰与烟雾图像数据，完成数据集整理与划分，配置YOLOv8训练文件，使用Python环境调用UltralyticsYOLOv8模型进行训练，并利用训练后的权重文件对测试图像进行火焰和烟雾目标检测。实验过程中需要记录训练过程、检测结果、评价指标以及典型误检或漏检现象。成果要求提交完整实验报告。报告应包含实验目的、实验原理、实验环境、数据集说明、实验步骤、关键代码、训练或推理截图、检测结果图、评价指标表和实验总结。实验报告一、实验名称基于YOLOv8的火焰烟雾检测实验。二、实验目的（1）理解卷积神经网络（CNN）在图像特征提取和目标检测任务中的应用价值。（2）掌握YOLOv8目标检测模型的基本组成，理解Backbone、Neck和Head在检测流程中的作用。（3）能够使用Python环境完成数据集配置、模型训练、模型推理和检测结果分析。（4）结合火焰烟雾检测场景，认识大数据与智能分析方法在应急监控、安全预警等领域中的实际意义。三、实验原理1.卷积神经网络与目标检测卷积神经网络能够通过卷积核在图像上滑动，自动提取边缘、纹理、颜色、轮廓和语义区域等多层次视觉特征。火焰和烟雾图像通常具有背景复杂、形态变化大、边界模糊等特点，传统人工特征难以稳定表达，而CNN能够从大量图像样本中学习更具泛化能力的特征表示。2.YOLOv8模型结构YOLOv8属于单阶段目标检测网络，能够直接从输入图像中预测目标类别和边界框位置，具有检测速度快、部署方便的特点。其结构主要包括Backbone、Neck和Head三部分：Backbone负责提取多层次图像特征；Neck通过FPN与PAN等结构融合不同尺度的特征；Head在多尺度特征图上输出目标类别、边界框和置信度。图1YOLOv8网络结构图3.评价指标目标检测模型通常从定位准确性和分类准确性两个角度进行评价。IoU用于衡量预测框与真实框的重合程度；Precision表示预测为正样本的目标中有多少是真正目标；Recall表示真实目标中有多少被模型成功检出；mAP则综合衡量不同类别在不同置信度或IoU阈值下的检测性能。IoU=Area(B_pred∩B_gt)/Area(B_pred∪B_gt)

Precision=TP/(TP+FP)

Recall=TP/(TP+FN)四、实验环境项目配置或说明操作系统Windows/Linux均可开发语言Python3.8及以上深度学习框架PyTorch目标检测工具UltralyticsYOLOv8主要依赖库ultralytics、opencv-python、numpy、matplotlib硬件建议支持CUDA的NVIDIAGPU；若无GPU，可使用CPU进行小规模推理验证五、实验数据实验数据来源于包含多种火焰与烟雾图像的公开数据集，覆盖室内、室外、光照变化和背景干扰等复杂场景。数据集共包含13890张图片，按照7:2:1的比例划分为训练集、验证集和测试集。数据集比例图片数量用途训练集70%9723张用于模型参数学习验证集20%2778张用于训练过程中的性能验证和参数选择测试集10%1389张用于最终检测效果评估图2火焰烟雾数据集示例本实验检测类别设置为fire和smoke。学生在实际操作时，需要确保图像文件与标注文件一一对应，并检查YOLO格式标签是否正确。YOLO标签一般由“类别编号、目标中心点横坐标、目标中心点纵坐标、目标宽度、目标高度”五部分组成，坐标均为归一化数值。六、实验步骤1.数据准备与目录整理建立统一的数据目录，将图片与标签分别放入train、val、test文件夹中，保证训练集、验证集和测试集的图片与标签路径一致。参考目录结构如下：fire_smoke_dataset/

├─images/

│├─train/

│├─val/

│└─test/

├─labels/

│├─train/

│├─val/

│└─test/

└─fire_smoke.yaml2.配置数据集文件在fire_smoke.yaml文件中设置训练集、验证集、测试集路径以及类别名称。类别顺序必须与标签文件中的类别编号保持一致。path:./fire_smoke_dataset

train:images/train

val:images/val

test:images/test

names:

0:fire

1:smoke3.环境安装在Python环境中安装YOLOv8相关依赖。若使用GPU训练，需要提前配置与显卡匹配的CUDA和PyTorch版本。pipinstallultralyticsopencv-pythonmatplotlib4.模型训练调用YOLOv8预训练模型进行迁移学习。根据设备性能选择yolov8n.pt、yolov8s.pt等不同规模模型。若课堂实验时间有限，可降低epochs或仅完成推理验证。yolodetecttrainmodel=yolov8n.ptdata=fire_smoke.yamlepochs=50imgsz=640batch=165.模型检测与结果保存训练完成后，加载best.pt权重文件，对测试集或指定图像进行检测。模型会输出火焰与烟雾的类别名称、边界框位置和置信度。yolodetectpredictmodel=runs/detect/train/weights/best.ptsource=fire_smoke_dataset/images/testconf=0.25save=True6.结果记录与分析记录模型训练后的Precision、Recall、mAP50、mAP50-95等指标，并选取若干典型检测图片进行分析。对于漏检、误检样本，应从光照变化、烟雾边界模糊、小目标、遮挡和背景干扰等角度说明原因。七、实验结果与分析图3基于YOLOv8的火焰烟雾检测结果从检测结果可以看到，YOLOv8能够在复杂场景中对火焰和烟雾目标进行定位，并给出相应类别与置信度。对于火焰目标，模型通常能较好捕捉明亮区域及其边界；对于烟雾目标，由于其边缘扩散、透明度变化和背景相似性较强，检测难度相对更高。学生应根据实际训练输出填写下表。若只完成推理演示，也可将表格中的指标栏改为“检测现象记录”，重点分析模型能否正确识别fire与smoke，以及是否存在误检或漏检。类别PrecisionRecallmAP50mAP50-95结果分析fire________________________________smoke________________________________整体________________________________结果分析可从以下几个方面展开：第一，比较fire与smoke两类目标的检测难度；第二，观察模型在夜间、强光、遮挡、远距离、小目标等场景下的稳定性；第三，说明数据增强、样本数量和标注质量对模型效果的影响；第四，提出改进方向，如增加复杂场景样本、调整置信度阈值、使用更大规模模型或引入视频时序信息。八、实验总结本实验以火焰烟雾检测为应用场景，将卷积神经网络、目标检测模型和数据挖掘流程结合起来。通过实验可以看到，YOLOv8能够从非结构化图像数据中自动提取关键特征，并实现火焰与烟雾目标的定位和分类，体现了深度学习在安全监控和应急预警中的应用价值。实验的关键不只是运行模型，更在于理解数据准备、模型训练、指标评价和结果解释之间的逻辑关系。在后续改进中，可以进一步扩大数据规模，补充低照度、远距离、小火点、薄烟雾等复杂样本；也可以尝试比较不同YOLOv8模型规模、训练轮次、图像输入尺寸和数据增强策略对检测效果的影响，从而获得更