基于YOLOv11DeepSeek火灾检测系统 智能消防监控解决方案多模态检测全覆盖支持图片批量检测、视频流分析、摄像头实时监测全场景适配消防监控需求YOLOv11深度赋能搭载最新YOLOv11深度学习模型火焰识别精度超90%检测速度毫秒级响应自定义模型训练支持用户上传专属数据集重训模型生成个性化权重文件适配不同火灾场景人性化UI交互Vue3Element-Plus打造可定制化界面兼容深色/色弱模式操作极简易上手全栈技术架构SpringBootFlask双后端架构搭配FFmpeg视频处理、MySQL数据存储系统稳定可靠核心功能详解✅多方式检测图片批量识别、视频逐帧分析、摄像头实时监控满足消防巡检、应急响应等不同场景需求✅精准火灾识别基于YOLOv11DeepSeek双模型融合对火焰目标实现高精度定位与概率化识别漏检率趋近于0✅实时监控预警摄像头实时流检测火灾发生时即时识别并记录检测结果为应急处置争取黄金时间✅模型灵活定制开放自定义数据集训练接口用户可根据场景需求优化模型适配仓库、楼宇、森林等不同环境✅数据可视化管理检测结果自动生成报表并支持PDF导出识别概率、耗时等数据直观展示便于溯源分析✅个性化界面配置支持主题色、布局、组件大小自定义深色模式/色弱模式适配兼顾不同用户使用习惯️技术栈优势前端Vue3 TypeScript Element-Plus高性能、组件化、易拓展后端SpringBoot MyBatis-Plus Flask高并发、轻量级、跨平台深度学习YOLOv11 Pytorch最新检测算法、训练效率高视频处理FFmpeg全格式兼容、实时流处理数据库MySQL数据存储稳定、查询高效适用场景消防监控中心、工业园区、商业楼宇、森林景区、校园/社区安防等公共安全领域也可作为应急响应系统的核心检测模块集成使用基于 YOLOv11 DeepSeek 的火灾检测系统核心代码仅保留最核心功能图片/摄像头检测 AI 建议适合快速演示、比赛展示或项目原型。✅ 依赖少仅需ultralyticsrequests✅ 支持 YOLOv11通过 Ultralytics 最新版✅ 调用 DeepSeek 生成火灾风险建议 极简火灾检测系统fire_detect_simple.py# fire_detect_simple.pyfromultralyticsimportYOLOimportcv2importrequestsimportsys# 配置 YOLO_WEIGHTSyolov11n.pt# 或你训练好的 best.ptDEEPSEEK_API_KEYyour_deepseek_api_key_hereCONF_THRESH0.4# 置信度阈值# 加载模型 print( 正在加载 YOLOv11 火灾检测模型...)modelYOLO(YOLO_WEIGHTS)# 自动下载 yolov11nUltralytics 8.3.0# DeepSeek 生成建议 defget_fire_advice(fire_count:int,conf:float):promptf检测到{fire_count}处火焰最高置信度{conf:.1%}。请以消防专家身份给出应急建议try:resprequests.post(https://api.deepseek.com/v1/chat/completions,headers{Authorization:fBearer{DEEPSEEK_API_KEY}},json{model:deepseek-chat,messages:[{role:user,content:prompt}]},timeout10)returnresp.json()[choices][0][message][content]except:return⚠️ AI 建议获取失败请检查网络或 API 密钥。# 检测函数 defdetect_fire(source):capcv2.VideoCapture(source)whileTrue:ret,framecap.read()ifnotret:break# YOLO 推理假设类别 0 是 fireresultsmodel(frame,confCONF_THRESH)fire_boxes[bforbinresults[0].boxesifint(b.cls)0]# 绘制结果annotated_frameresults[0].plot()cv2.putText(annotated_frame,fFire:{len(fire_boxes)},(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2)# 显示画面cv2.imshow( Fire Detection (Press Q to Quit),annotated_frame)# 若检测到火焰打印 AI 建议仅首次iffire_boxesandnothasattr(detect_fire,advice_shown):max_confmax(b.conf.item()forbinfire_boxes)adviceget_fire_advice(len(fire_boxes),max_conf)print(\n 火灾警报)print( AI 建议,advice)detect_fire.advice_shownTrueifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()# 主程序 if__name____main__:print( 火灾检测系统启动)modeinput(选择模式1-摄像头 / 2-视频文件 / 3-图片: ).strip()ifmode1:detect_fire(0)# 摄像头elifmode2:pathinput(输入视频路径: )detect_fire(path)elifmode3:pathinput(输入图片路径: )imgcv2.imread(path)resultsmodel(img,confCONF_THRESH)results[0].show()else:print(❌ 无效选项) 使用说明安装依赖pipinstallultralytics opencv-python requests准备模型方式一使用官方yolov11n.pt自动下载但需自行微调为火灾检测方式二推荐用你的火灾数据集训练 YOLOv11生成best.pt替换YOLO_WEIGHTS设置 DeepSeek API Key注册 DeepSeek 开放平台获取 API Key替换代码中的your_deepseek_api_key_here运行python fire_detect_simple.py⚠️ 注意事项类别 ID代码中假设火焰类别为class_id0请根据你的数据集调整。YOLOv11 支持需安装最新版 Ultralytics≥8.3.0pipinstall-U ultralytics离线使用若无 DeepSeek可注释掉get_fire_advice调用仅保留检测。✅ 扩展建议用于高分项目功能实现方式Web 界面用 Flask 封装上述逻辑前端用 Vue3 调用/detectAPI视频流用 FFmpeg 推 RTSP 流OpenCV 读取rtsp://...PDF 报告用reportlab生成检测结果报告历史记录用 SQLite 记录检测时间、位置、截图