配对的无人机红外-可见光多模态火点、烟雾分类数据集
共采集7对无人机红外-可见光多模态视频(视频共12GB)，并对其进行分帧处理，共分帧53000余对图像（分帧共8GB，254*254分辨率），并对其中有火点、烟雾的图像进行分类标识
![]()
![]()
![]()
一、数据集信息表格
1.1 基础信息
| 项目 | 详情 |
|---|
| 数据集名称 | 无人机红外-可见光多模态火点、烟雾分类数据集 |
| 原始数据 | 7组配对红外+可见光视频，总大小12GB |
| 分帧图像 | 53000余对配对图像，分帧文件总大小8GB |
| 图像分辨率 | 254×254 |
| 数据形式 | 红外图像、可见光图像一一配对 |
| 标注内容 | 火点、烟雾图像分类标注 |
1.2 类别配置
| 序号 | 英文类别 | 中文类别 |
|---|
| 0 | fire | 火点 |
| 1 | smoke | 烟雾 |
names=["fire","smoke"]
二、应用场景
- 野外火情监测：无人机搭载双镜头设备，结合红外+可见光双模态数据，昼夜全天候识别火点、烟雾。
- 森林防火预警：林区大范围巡检，利用红外优势发现隐蔽、早期火源。
- 多模态算法研发：红外/可见光融合目标检测、图像分类模型训练、科研与竞赛。
- 园区/厂区消防安防：双光谱监控设备火情识别，提升复杂环境下检测准确率。
- 应急救援辅助：火灾现场航拍研判，定位起火区域与烟雾扩散范围。
三、YOLOv11 训练&推理代码
3.1 环境依赖安装
pipinstallultralytics torch opencv-python numpy
3.2 数据集配置文件fire_smoke_multimodal.yaml
path:./fire_smoke_multimodal_datasettrain:images/trainval:images/valtest:images/testnc:2names:0:fire1:smoke
3.3 数据集目录结构
fire_smoke_multimodal_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── fire_smoke_multimodal.yaml
3.4 训练代码train_multimodal_fire.py
fromultralyticsimportYOLOdeftrain_fire_smoke():model=YOLO("yolov11n.yaml")model.train(data="fire_smoke_multimodal.yaml",epochs=80,imgsz=254,batch=16,device="cpu",# GPU环境改为 device=0workers=4,patience=15,amp=True,mosaic=1.0,project="runs/train",name="multimodal_fire_smoke",exist_ok=True)print("训练完成，权重路径：runs/train/multimodal_fire_smoke/weights")if__name__=="__main__":train_fire_smoke()
3.5 推理测试代码predict_multimodal.py
fromultralyticsimportYOLO model=YOLO("runs/train/multimodal_fire_smoke/weights/best.pt")if__name__=="__main__":# 单图检测res=model("test.jpg",save=True,conf=0.25)# 批量图片检测# res = model("./test_imgs/", save=True, conf=0.25)# 视频检测# res = model("test.mp4", save=True, conf=0.25)print("推理测试完成")
