fireviewer/yolo11m-fire-smoke

YOLO11M · Fire & Smoke

Détecteur de feu et de fumée entraîné avec Ultralytics sur les annotations finales FireViewer. Il renvoie des boîtes, une classe et un score de détection pour chaque objet proposé.

Architecture	Taille d’entrée	Classes	Époques complètes
YOLO11M	928 × 928	fire · smoke	42

Checkpoint publié

Fichier	Usage
best.pt	Inférence et évaluation du meilleur checkpoint de validation.
last.pt	Dernier checkpoint complet sauvegardé, avec l’état d’entraînement conservé pour une reprise.

Les deux fichiers ont été vérifiés sur le Hub : 201 292 844 octets chacun. Leurs tailles incluent les états d’entraînement ; elles ne correspondent pas à un export d’inférence allégé.

Résultats de validation

Mesures de l’époque 42 sur 11 266 images et 10 925 boîtes de référence, avec les deux classes natives.

Classe	Précision	Rappel	F1	AP50	AP75	AP50–95	Boîtes de référence
Global	67,51 %	61,98 %	64,63 %	65,07 %	38,89 %	38,63 %	10 925
fire	65,26 %	59,98 %	62,51 %	62,56 %	37,53 %	36,83 %	5 727
smoke	69,77 %	63,98 %	66,75 %	67,58 %	40,26 %	40,44 %	5 198

Précision et rappel sont mesurés à IoU 0,50, au seuil de confiance retenu par Ultralytics au meilleur F1. La ligne globale correspond aux moyennes par classe rapportées par Ultralytics. AP50–95 moyenne les seuils d’IoU de 0,50 à 0,95 ; AP75 porte sur le seuil 0,75. Ces scores décrivent la validation, pas une performance mesurée sur le split test.

Utiliser le modèle

pip install ultralytics==8.4.210 huggingface_hub

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

weights = hf_hub_download(
    repo_id="fireviewer/yolo11m-fire-smoke-quality-a100-v2",
    filename="best.pt",
    revision="1d07a2a06cc6938f76235acb199f3e82b018c593",
)
model = YOLO(weights)
results = model.predict("image.jpg", imgsz=928, conf=0.25)

for result in results:
    for box in result.boxes:
        class_id = int(box.cls.item())
        print(model.names[class_id], box.xyxy[0].tolist(), box.conf.item())

conf=0.25 est un seuil de départ pour cet exemple, à ajuster selon les faux positifs et les omissions acceptables. Les coordonnées renvoyées par box.xyxy sont [x1, y1, x2, y2] en pixels de l’image d’entrée. Elles diffèrent du format xywh stocké dans le dataset.

Classes apprises

ID	Classe	Périmètre
0	fire	Feu et flammes visibles ; l’ancienne classe flame_visible est incluse.
1	smoke	Fumée visible, y compris les émissions petites ou légères.

Ce modèle localise le feu et la fumée. Il ne prédit pas les six catégories de contexte du dataset et ne fournit pas de distance caméra / foyer.

Données et entraînement

Paramètre	Valeur du run
Initialisation	yolo11m.pt préentraîné sur COCO
Dataset	fireviewer/fireviewer_fire_smoke_flame_v3_native
Révision du dataset	8c8b197fa1c928217529a04bff434fb70a66614e
Images de train / validation / test	78 450 / 11 266 / 13 523
GPU	NVIDIA A100-SXM4-80GB
Résolution	928 pixels, letterboxing Ultralytics
Batch physique	55 images, sélection AutoBatch à 75 % de mémoire
Batch nominal de référence	nbs=64 ; accumulation initiale 1
Optimiseur	AdamW, LR initial 0.0005, décroissance cosinus
Weight decay configuré	0.0005
Warmup	5 époques
Précision	AMP activée
Augmentations principales	Mosaic, MixUp et Copy-Paste désactivés ; scale=0.3
Arrêt automatique configuré	7 validations sans amélioration
Arrêt effectif	Manuel après 42 époques complètes

Les paramètres et résultats de référence du run sont consignés dans cette fiche.

Limites et usages

Le modèle sert au prototypage et à l’évaluation de détection sur images. Les fumées diffuses ou lointaines, les petits foyers, les reflets, la vapeur et les occultations peuvent produire des omissions ou des fausses détections. Les scores dépendent du domaine d’images et du seuil retenu.

Les résultats publiés ne constituent pas une qualification comme système d’alarme autonome. Une utilisation opérationnelle demande une évaluation sur des images représentatives des caméras et des conditions d’usage.

Licence et traçabilité

Licence déclarée du modèle : AGPL-3.0. Les conditions d’utilisation des images d’entraînement sont documentées séparément dans la dataset card.

La révision des poids utilisée par l’exemple est 1d07a2a06cc6938f76235acb199f3e82b018c593. Les fichiers de poids restent identiques lorsque seule cette documentation est mise à jour.

Projet : FireViewer · Documentation mise à jour : 12 novembre 2026.