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8GB254*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0fire火点1smoke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 numpy3.2 数据集配置文件fire_smoke_multimodal.yamlpath:./fire_smoke_multimodal_datasettrain:images/trainval:images/valtest:images/testnc:2names:0:fire1:smoke3.3 数据集目录结构fire_smoke_multimodal_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── fire_smoke_multimodal.yaml3.4 训练代码train_multimodal_fire.pyfromultralyticsimportYOLOdeftrain_fire_smoke():modelYOLO(yolov11n.yaml)model.train(datafire_smoke_multimodal.yaml,epochs80,imgsz254,batch16,devicecpu,# GPU环境改为 device0workers4,patience15,ampTrue,mosaic1.0,projectruns/train,namemultimodal_fire_smoke,exist_okTrue)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.pyfromultralyticsimportYOLO modelYOLO(runs/train/multimodal_fire_smoke/weights/best.pt)if__name____main__:# 单图检测resmodel(test.jpg,saveTrue,conf0.25)# 批量图片检测# res model(./test_imgs/, saveTrue, conf0.25)# 视频检测# res model(test.mp4, saveTrue, conf0.25)print(推理测试完成)