EmberGuard AI 是一款基于YOLOv8的智能火灾检测训练系统，专注于火灾、烟雾等异常情况的实时识别。本项目为智能视频监控安全增强系统的AI训练模块，提供模型训练、验证、测试和可视化界面。
- 🔥 高精度火灾/烟雾检测
- ⚡ 实时推理能力
- 🎯 低误报率（目标<2%）
- 🖥️ 友好的GUI操作界面
- 📊 完整的训练验证流程
- ✅ 基于YOLOv8的火灾检测模型训练
- ✅ D-Fire数据集支持（21,527张图像）
- ✅ 图形化操作界面（GUI）
- ✅ 图片/视频/摄像头实时检测
- ✅ 模型验证与性能评估
- ✅ 检测结果可视化保存
- ✅ LSTM时序分析模块（新增）
- ✅ 8维特征提取器（新增）
- ✅ YOLO+LSTM检测管道（新增）
- 🚧 LSTM训练数据扩充与标注完善
- 🚧 GUI界面LSTM集成
- 🚧 热红外特征融合
- 🚧 多传感器数据融合
- 🚧 边缘设备部署优化
- Python >= 3.8
- PyTorch >= 2.0
- CUDA >= 11.0 (GPU训练推荐)
- 克隆项目
git clone https://github.com/create-meng/EmberGuard-AI-train.git
cd EmberGuard-AI-train- 安装依赖
pip install ultralytics opencv-python pillow flask numpy- 准备数据集
- 下载D-Fire数据集或使用自定义数据集
- 将数据集放置在
datasets/目录下 - 配置
configs/yolo_fire.yaml
- 运行GUI界面
python scripts/5_run_gui.py本项目脚本按执行顺序以编号命名，完整说明见 scripts/README.md。
python scripts/1_train_yolo.pypython scripts/2_validate_yolo.py推荐使用 scripts/8_detect_with_lstm.py（支持仅YOLO或YOLO+LSTM，自动降级）。
图片检测
python scripts/8_detect_with_lstm.py --source image.jpg视频检测
python scripts/8_detect_with_lstm.py --source video.mp4摄像头实时检测
python scripts/8_detect_with_lstm.py --source 0准备训练数据
python scripts/3_prepare_lstm_data.py训练LSTM模型
python scripts/4_train_lstm.py --data_dir datasets/lstm_data --epochs 50测试/对比（可选）
python scripts/6_test_lstm.py
python scripts/9_compare_yolo_lstm.py详细使用说明请参考：
emberguard/README.mdscripts/README.md
项目包含一个轻量的Web演示端，用于在同一套前端UI下快速对比不同推理/降噪/融合策略。
启动后端
python digital-twin-web/backend/app.py首次运行前建议确认 Demo 视频路径：
digital-twin-web/backend/app.py中_start_demo_devices()的demo_video默认是本机绝对路径，需要按你的机器修改为可用的视频文件路径。
浏览器访问：
实验档位切换（用于对比试验）
在 digital-twin-web/backend/app.py 修改：
EXPERIMENT_PROFILE = 'yolo_lstm_denoise_fusion'可选值：
yolo：纯YOLO（最终告警=YOLO是否检出 fire/smoke）yolo_lstm：YOLO + LSTM（最终告警=LSTM；LSTM未就绪/前30帧用YOLO兜底）yolo_lstm_denoise：YOLO + LSTM + 降噪（最终告警=LSTM；LSTM未就绪用YOLO兜底；特征级+帧级降噪均开启）yolo_lstm_fusion：YOLO + LSTM + 告警融合（最终告警=时间窗投票/占比 + 迟滞；YOLO强证据可快速触发 fire；LSTM未就绪时用YOLO投票）yolo_lstm_denoise_fusion：YOLO + LSTM + 降噪 + 告警融合（最终告警=时间窗投票/占比 + 迟滞；同时开启两层降噪）
融合策略（方案A）参数含义：
windowSize：滑动时间窗长度（帧数）onFireRatio/offFireRatio：触发/解除 fire 的占比阈值（迟滞）onSmokeRatio/offSmokeRatio：触发/解除 smoke 的占比阈值（迟滞）
改完后需要：
- 重启后端（Ctrl+C 后重新运行）
- 浏览器强刷（Ctrl+F5）
运行GUI后可以：
- 选择检测源（图片/视频/摄像头）
- 实时查看检测结果
- 调整检测参数
- 保存检测结果
EmberGuard-AI-train/
├── configs/ # 配置文件
│ ├── ultralytics_settings.json
│ └── yolo_fire.yaml # 数据集配置
├── datasets/ # 数据集目录
│ └── D-Fire/ # 火灾检测数据集
├── docs/ # 文档目录
│ ├── TECHNICAL_RESEARCH.md # 技术研究报告
│ ├── SUMMARY.md # 项目总结
│ └── QUICK_START.md # 快速开始指南
├── emberguard/ # LSTM时序分析模块 ⭐新增
│ ├── feature_extractor.py # 特征提取器
│ ├── lstm_model.py # LSTM模型
│ ├── pipeline.py # 检测管道
│ └── README.md # 模块文档
├── models/ # 预训练模型
│ ├── yolov8n.pt
│ └── yolo11n.pt
│ └── lstm/ # LSTM模型产物
├── runs/ # 训练结果
│ └── detect/train2/weights/
│ └── best.pt # 最佳YOLOv8模型
├── scripts/ # 脚本文件
│ ├── 1_train_yolo.py # YOLO训练脚本
│ ├── 2_validate_yolo.py # 验证脚本
│ ├── 3_prepare_lstm_data.py # LSTM数据准备 ⭐新增
│ ├── 4_train_lstm.py # LSTM训练脚本 ⭐新增
│ ├── 5_run_gui.py # GUI启动脚本
│ ├── 6_test_lstm.py # LSTM测试脚本
│ ├── 8_detect_with_lstm.py # YOLO/YOLO+LSTM 推理脚本
│ ├── 9_compare_yolo_lstm.py # YOLO vs YOLO+LSTM 对比
│ └── README.md # 脚本说明（推荐先读）
├── UI/ # GUI界面模块
│ ├── gui_main.py # 主界面
│ ├── detection_processor.py # 检测处理器
│ └── ...
├── DEVELOPMENT_LOG.md # 开发日志 ⭐新增
└── PROJECT_STRUCTURE.md # 详细结构说明
- YOLOv8模型集成
- D-Fire数据集训练（50 epochs）
- GUI界面开发
- 基础检测功能
- 8维特征提取器
- LSTM模型架构（2层，211K参数）
- YOLO+LSTM检测管道
- 数据准备工具
- 训练脚本
- LSTM模型训练（模型产物见
models/lstm/） - GUI集成
- 炊烟vs火灾烟雾区分测试
- 温度传感器接口
- 烟感传感器接口
- 多传感器数据融合
- 联动告警机制
- 模型量化优化
- ONNX/TensorRT导出
- 树莓派/Jetson适配
- 性能基准测试
| 指标 | 当前值 | 目标值 |
|---|---|---|
| 检测准确率 | ~95% | >99% |
| 误报率 | ~5% | <2% |
| 推理速度(GPU) | ~30ms | <20ms |
| 模型大小 | ~6MB | <10MB |
欢迎提交Issue和Pull Request！
- Fork本项目
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 开启Pull Request
本项目采用 MIT 许可证 - 详见 LICENSE 文件
- Ultralytics YOLOv8 - 核心检测框架
- D-Fire Dataset - 火灾检测数据集
⭐ 如果这个项目对你有帮助，请给个Star支持一下！
Made with ❤️ by EmberGuard Team