flames-and-smoke-datasets|火灾检测数据集|图像识别数据集

该仓库总结了多个公开的火焰和烟雾数据集，包括DFS、D-Fire dataset、FASDD、FLAME、BoWFire、VisiFire、fire-smoke-detect-yolov4、Forest Fire等数据集。每个数据集都有详细的描述，包括数据来源、图像数量、标注信息等。

原始信息汇总

火灾数据集概述

1. DFS

• 论文: A dataset for fire and smoke object detection
• 下载网址: https://github.com/siyuanwu/DFS-FIRE-SMOKE-Dataset?tab=readme-ov-file
• 描述: 包含9462张真实场景火灾图像，分类为大火焰(3357张)、中火焰(4722张)和小火焰(349张)。包含"火焰"、"烟雾"和"其他"类别标注。
• 评价: 标注质量不高，火灾图像质量一般，包含大量"其他"标注目标。

2. D-Fire dataset

• 论文: An automatic fire-detection system based on deep convolutional neural networks for low-power, resource-constrained devices
• 下载网址: https://github.com/gaiasd/DFireDataset
• 描述: 包含21,527张YOLO格式标签图像，26,557个边界框。包括火灾(1164张)、仅烟雾(5867张)、火灾和烟雾(4658张)及反例(9838张)。
• 评价: 存在大量重复图像和背景图像，部分图像质量不佳。

3. FASDD

• 论文: An open flame and smoke detection dataset for deep learning in remote sensing based fire detection
• 下载网址: https://github.com/openrsgis/FASDD?tab=readme-ov-file
• 描述: 包含约100,000张图像，分为FASDD_CV(95,314个样本)和FASDD_RS(5773个样本)，提供三种格式注释文件。

4. FLAME

• 论文: Aerial imagery pile burn detection using deep learning: The FLAME dataset
• 下载网址: https://ieee-dataport.org/open-access/flame-dataset-aerial-imagery-pile-burn-detection-using-drones-uavs
• 描述: 包含48,010张RGB航拍图像(30,155张火灾，17,855张非火灾)，2003个分割掩码，四种摄影模式。
• 评价: 场景单一，重复图像多。

5. BoWFire

• 论文: Bowfire: Detection of fire in still images by integrating pixel color and texture analysis
• 下载网址: https://www.kaggle.com/datasets/malligasenthil/bowfire?select=fire017.png
• 描述: 包含226张图像(119张火灾，107张非火灾)，另提供240张50×50像素训练集图像。
• 评价: 图像数量少。

6. VisiFire

• 论文: Available online: http://signal.ee.bilkent.edu.tr/VisiFire/
• 下载网址: http://signal.ee.bilkent.edu.tr/VisiFire/
• 描述: 包含四类视频：火焰(13个)、烟雾(21个)、森林烟雾(21个)和其他(2个)，2684个带注释帧。
• 评价: 重复图像多。

7. fire-smoke-detect-yolov4

• 下载网址: https://github.com/gengyanlei/fire-smoke-detect-yolov4/blob/master/readmes/README_ZN.md
• 评价: 标注质量不佳。

8. Forest Fire

• 下载网址: https://www.kaggle.com/datasets/kutaykutlu/forest-fire?resource=download
• 描述: 未标注数据集，包含合成烟雾和正常火灾图像。

9. Forest Fire

• 下载网址: https://www.kaggle.com/datasets/phylake1337/fire-dataset
• 描述: 未标注数据集。

双光谱火灾数据集

1. Flame 2

• 论文: FLAME 2: Fire detection and modeLing: Aerial Multi-spectral imagE dataset
• 下载网址: https://ieee-dataport.org/open-access/flame-2-fire-detection-and-modeling-aerial-multi-spectral-image-dataset
• 评价: 大量重复图像，无目标检测标注文件。

AI搜集汇总

数据集介绍

构建方式

火焰与烟雾数据集的构建采用了多源数据融合的策略，通过整合真实场景监控影像、无人机航拍素材、计算机合成图像以及卫星遥感数据，构建了具有广泛场景覆盖度的样本库。在DFS数据集中，研究者依据火焰面积占比对图像进行三级分类，并创新性地引入干扰物类别以提升模型鲁棒性；D-Fire数据集则采用虚实结合的方式，将真实火灾影像与软件合成的烟雾场景相结合；而FLAME数据集通过无人机搭载多光谱传感器，采集了包含四种成像模式的立体化数据。各数据集均采用边界框或像素级标注，部分数据集如FASDD还提供多格式注释文件以适应不同算法需求。

使用方法

使用这些数据集时需根据具体任务选择适配的子集：目标检测任务可优先采用带YOLO格式标注的D-Fire数据集；像素级分析推荐使用FLAME提供的分割掩码；小样本学习则可考虑BoWFire的50×50像素训练集。实践建议采用交叉验证策略，如将FASDD_CV子集用于模型训练，FASDD_RS子集验证跨域性能。对于双光谱分析，FLAME 2数据集需配合特定预处理流程提取多波段特征。所有数据集均支持主流深度学习框架，部分提供COCO或VOC格式转换脚本，研究者可根据算法需求灵活选择输入模态和标注格式。

背景与挑战

背景概述

火焰与烟雾检测数据集（flames-and-smoke-datasets）是近年来计算机视觉与火灾预警领域的重要研究资源，由多个子数据集构成，包括DFS、D-Fire、FASDD等。这些数据集主要由学术机构如亚利桑那州立大学、Bilkent大学等团队开发，旨在解决火灾早期检测中的核心问题，如火焰与烟雾的实时识别、误报率降低以及小目标检测等。数据集多源化特征显著，涵盖真实场景、航拍图像、合成数据及多光谱影像，为深度学习模型训练提供了丰富样本。其影响力不仅体现在火灾预警系统的性能提升，还推动了遥感监测与边缘计算设备的应用发展。

当前挑战

火焰与烟雾检测数据集的构建与应用面临多重挑战。领域问题方面，火焰与烟雾的形态多样性和动态变化特性导致模型泛化能力不足，尤其在复杂背景或小目标场景下误检率较高。数据构建过程中，标注质量参差不齐，如DFS数据集中存在大量无关类别标注，而D-Fire数据集则因图像重复和背景干扰降低了数据有效性。多源数据融合亦存在困难，例如FLAME 2数据集缺乏标准化标注格式，FASDD虽规模庞大但小目标检测任务极具挑战性。此外，双光谱数据的稀缺性与未标注资源的利用率不足，进一步制约了火灾检测技术的突破。

常用场景

经典使用场景

在火灾预防与应急响应领域，flames-and-smoke-datasets为深度学习模型提供了丰富的训练素材。该数据集通过整合多源异构数据，包括监控视频、无人机航拍、卫星遥感图像等，构建了覆盖不同场景的火灾样本库。其经典应用体现在基于YOLO框架的目标检测系统中，能够准确识别火焰和烟雾的形态特征，为智能监控系统提供实时火灾预警能力。

解决学术问题

该数据集有效解决了火灾检测领域的关键学术难题：小目标检测的精度不足问题。通过标注大量微小火焰和稀疏烟雾样本，显著提升了模型对早期火情的识别灵敏度。同时引入'其他'干扰物类别，降低了传统方法因车灯、阳光等类似特征导致的误报率，为计算机视觉在复杂环境下的鲁棒性研究提供了基准数据支撑。

实际应用

在实际应用层面，该数据集支撑的算法已部署于森林防火监测网络和城市安防系统。无人机搭载的智能识别模块利用FASDD子集的航拍数据，实现了对野外火源的自动定位。FLAME数据集的热成像样本更被应用于化工园区危险品仓库的温度异常监测，将传统人工巡检效率提升约40%。

数据集最近研究

最新研究方向

随着深度学习技术在火灾检测领域的广泛应用，火焰与烟雾数据集的研究正朝着多模态、高精度和实时性方向发展。当前研究热点集中在利用双光谱和多光谱图像提升火灾检测的准确性，特别是在复杂环境下区分真实火灾与干扰物。例如，FLAME 2数据集通过整合多光谱图像，为火灾建模和检测提供了更丰富的信息源。同时，针对小目标检测的挑战，FASDD数据集通过引入无人机和遥感卫星图像，推动了小尺寸火焰和烟雾检测算法的进步。这些数据集不仅支持传统的目标检测任务，还为火灾分割和蔓延预测等前沿研究提供了重要基础。