1. 项目概述烟花检测系统是一个基于YOLOv10算法的计算机视觉应用主要用于在图像、视频和实时摄像头画面中识别烟花目标。这个项目采用PyTorch框架实现包含了从数据准备、模型训练到应用部署的完整流程。作为一名长期从事目标检测开发的工程师我在实际项目中发现烟花检测在公共安全、环境保护等领域有着广泛需求但现有开源方案往往存在检测精度不足或运行效率低下的问题。系统核心优势在于采用最新YOLOv10算法在保持高精度的同时显著提升推理速度提供完整的GUI界面支持非技术人员快速上手使用包含详细的环境配置指南和训练流程方便二次开发实测在RTX 3060显卡上能达到45FPS的实时检测性能提示项目完整代码和数据集已打包提供建议先按照下文环境配置部分准备好Python虚拟环境再运行。2. 环境配置与准备2.1 基础环境搭建项目支持两种主流的开发环境配置方案根据你的使用习惯选择其一即可方案一PyCharm Anaconda安装Anaconda从官网下载最新版本建议选择Python 3.8版本创建虚拟环境conda create -n fireworks python3.8激活环境conda activate fireworks安装PyCharm专业版在解释器设置中选择刚创建的虚拟环境方案二VSCode Anaconda同样先完成Anaconda安装和虚拟环境创建在VSCode中安装Python扩展通过命令面板(CtrlShiftP)选择Python解释器路径推荐安装Pylance和Jupyter扩展以获得更好的开发体验2.2 依赖安装在激活的虚拟环境中执行以下命令安装必要依赖pip install torch1.12.1cu113 torchvision0.13.1cu113 --extra-index-url https://download.pytorch.org/whl/cu113 pip install pyside6 opencv-python matplotlib tqdm pyyaml注意CUDA版本需要与你的显卡驱动匹配如果使用CPU版本去掉cu113后缀即可3. 数据集与模型训练3.1 数据集准备项目提供的烟花数据集包含5,287张标注图像涵盖以下场景城市夜空中的大型烟花表演小型家庭烟花不同天气条件下的烟花雨雪雾等远距离和特写视角数据集目录结构如下fireworks_dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/标注格式为标准YOLO格式每个图像对应一个.txt文件包含class_id x_center y_center width height3.2 模型训练流程配置文件修改 修改data/data.yaml指定数据集路径train: ../fireworks_dataset/images/train val: ../fireworks_dataset/images/val nc: 1 # 类别数 names: [firework] # 类别名称启动训练python train.py --img 640 --batch 16 --epochs 100 --data data/data.yaml --cfg models/yolov10n.yaml --weights 关键参数说明--img: 输入图像尺寸--batch: 批处理大小根据GPU显存调整--epochs: 训练轮次--cfg: 模型配置文件--weights: 预训练权重路径空字符串表示从零训练训练监控 训练过程会自动记录以下指标损失函数变化box_loss, cls_loss精度指标mAP0.5, mAP0.5:0.95学习率变化使用TensorBoard查看训练过程tensorboard --logdir runs/train4. 模型验证与评估4.1 验证脚本使用修改val.py中的权重路径后运行python val.py --weights runs/train/exp/weights/best.pt --data data/data.yaml输出指标包括指标名称说明典型值Precision精确率0.92Recall召回率0.88mAP0.5IoU0.5时的平均精度0.90mAP0.5:0.95IoU从0.5到0.95的平均精度0.67Inference Time单张图像推理时间(ms)15.24.2 性能优化技巧模型量化model torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtypetorch.qint8 )可使模型大小减少4倍速度提升2倍精度损失约3%TensorRT加速python export.py --weights best.pt --include engine --device 0需要提前安装TensorRT可获得30-50%的速度提升5. GUI界面使用详解5.1 界面功能布局GUI采用PySide6开发主要功能区包括输入源选择区支持图像文件、视频文件和摄像头输入参数设置区可调整置信度阈值和输出图像尺寸结果显示区左侧显示检测结果右侧显示检测统计信息目标详情区显示选中目标的类别、置信度和坐标信息5.2 核心代码解析图像检测的核心逻辑在upload_img方法中实现def upload_img(self): # 文件选择对话框 fileName, _ QFileDialog.getOpenFileName(self, 选择图片, , *.jpg *.png *.tif *.jpeg) if fileName: # 使用YOLO模型进行预测 results self.model.predict(sourcefileName, imgszself.output_size, confself.conf_threshold)[0] # 结果可视化 now_img results.plot() cv2.imwrite(images/tmp/single_result.jpg, now_img) self.label_3.setPixmap(QPixmap(images/tmp/single_result.jpg)) # 统计信息更新 total_nums len(results.boxes) self.label_11.setText(str(total_nums)) # 目标详情处理 if total_nums 1: self.update_target_details(results)5.3 实时检测实现视频/摄像头检测采用多线程架构class DetectionThread(QThread): def __init__(self, source, model): super().__init__() self.source source # 视频路径或摄像头索引 self.model model def run(self): cap cv2.VideoCapture(self.source) while True: ret, frame cap.read() if not ret: break # 推理 results self.model(frame) annotated_frame results[0].plot() # 发送信号更新UI self.frame_signal.emit(annotated_frame)6. 常见问题与解决方案6.1 环境配置问题问题1CUDA out of memory降低批处理大小--batch 8减小输入尺寸--img 480使用--device cpu暂时切换到CPU模式问题2PySide6导入错误确保使用conda安装conda install pyside6或指定版本pip install pyside66.4.26.2 模型性能问题检测漏检检查标注质量确保所有目标都已正确标注降低置信度阈值--conf 0.3增加训练数据特别是漏检场景的数据误检率高提高置信度阈值--conf 0.6检查负样本是否充足可添加不含烟花的背景图像尝试数据增强策略mosaic, mixup等6.3 部署优化建议ONNX导出python export.py --weights best.pt --include onnx --simplify可获得跨平台部署能力OpenVINO优化mo --input_model best.onnx --output_dir openvino_model特别适合Intel CPU设备部署7. 项目扩展方向在实际使用中我发现以下几个值得深入优化的方向多目标跟踪对连续视频中的烟花添加ID标识实现轨迹分析from collections import defaultdict track_history defaultdict(lambda: []) for box in results.boxes: track_id int(box.id) track_history[track_id].append(box.xywh)烟花分类区分不同类型烟花高空礼花、地面喷花等需要扩展数据集修改data.yaml中的类别数和名称危险行为检测结合人体检测识别危险燃放行为# 同时加载两个模型 firework_model YOLO(firework.pt) person_model YOLO(yolov8n.pt) # 联合推理 fire_results firework_model(frame) person_results person_model(frame)这个项目最让我惊喜的是YOLOv10在小目标检测上的提升相比v8版本在烟花这种典型小目标场景下mAP提升了约12%。不过需要注意的是模型对远距离、低亮度的烟花仍然存在漏检这是后续需要重点优化的方向。