ISFire-4

ISFire-4 是一个用于室内火灾和烟雾检测的多类别目标检测数据集，包含边界框标注，格式为 YOLO。该数据集在论文《FireNet-D5: A Genetic Algorithm-Optimized Architecture with BiFPN and SE Attention for Multi-Class Indoor Fire and Smoke Detection》中首次提出。数据集包含4个类别：黑烟（black smoke）、蓝火（blue fire）、白灰烟（white-gray smoke）和黄橙火（yellow-orange fire）。总计7,370张图像，共11,010个实例。数据以压缩包 dataset.zip 提供，内部划分为 train、valid 和 test 三个子集，每个子集下分别包含 images（图像）和 labels（标签）文件夹。标签文件采用 YOLO 格式，每行记录为：class_id x_center y_center width height，所有坐标值均归一化到 [0,1]。数据集采用 CC-BY-4.0 许可证。ISFire-4 is a multi-class object detection dataset for indoor fire and smoke detection, with bounding box annotations in YOLO format. It was first introduced in the paper FireNet-D5: A Genetic Algorithm-Optimized Architecture with BiFPN and SE Attention for Multi-Class Indoor Fire and Smoke Detection. The dataset contains 4 classes: black smoke, blue fire, white-gray smoke, and yellow-orange fire. There are a total of 7,370 images with 11,010 instances. The data is provided as a compressed package dataset.zip, internally divided into train, valid, and test subsets, each containing images and labels folders. The label files are in YOLO format, with each line recording: class_id x_center y_center width height, all coordinates normalized to [0,1]. The dataset is licensed under CC-BY-4.0.

原始信息汇总

ISFire-4: 室内火焰与烟雾检测数据集

该数据集专注于室内场景下的火焰与烟雾多类别检测任务，提供了基于YOLO格式的边界框标注，适用于目标检测模型的训练与评估。

• 任务类型：目标检测（Object Detection）
• 许可证：CC-BY-4.0

类别信息

数据集包含4个类别，具体如下：

1. 黑烟（black smoke）
2. 蓝色火焰（blue fire）
3. 白灰色烟雾（white-gray smoke）
4. 黄橙色火焰（yellow-orange fire）

数据规模

• 图像总数：7,370张
• 标注实例总数：11,010个

数据组织结构

数据集以压缩包 dataset.zip 形式提供，解压后包含三个子目录：train/、valid/、test/。每个子目录下分别存放 images/（图像文件）和 labels/（标注文件）。标注文件采用YOLO格式，每行记录内容为：class_id x_center y_center width height，其中坐标值均经过归一化处理。

来源与引用

该数据集源自论文 FireNet-D5: A Genetic Algorithm-Optimized Architecture with BiFPN and SE Attention for Multi-Class Indoor Fire and Smoke Detection，如使用本数据集，请引用该论文。

搜集汇总

数据集介绍

构建方式

ISFire-4数据集是在室内火灾与烟雾检测领域的一项创新性成果，其构建过程严格遵循科学规范，基于大规模真实场景图像进行细致标注。该数据集涵盖四种关键类别，即黑色烟雾、蓝色火焰、白灰色烟雾及黄橙色火焰，共计7,370张图像，包含11,010个实例边界框。所有标注采用YOLO格式，以归一化坐标存储于对应的labels文件中，确保与主流目标检测框架无缝兼容。数据集被划分为训练集、验证集和测试集三个子集，分别存放于train、valid和test目录下，每个子集均配备独立的images和labels文件夹，为模型训练、调优与评估提供了结构清晰、易于操作的数据基础。

特点

ISFire-4数据集以其精细的多类别划分和高度聚焦的室内场景而独具特色。其类别设计涵盖了火焰与烟雾的多种颜色变体，包括罕见的蓝色火焰与黑色烟雾，这为检测模型在复杂室内环境下的鲁棒性提出了更全面的挑战。数据集严格区分了不同类型火灾与烟雾的光谱特征和形态差异，有助于训练出更具判别力的特征提取器。此外，该数据集来源于学术研究，与FireNet-D5架构的协同开发确保了标注的一致性和实用性，其规模适中，既避免了大型数据集的冗余，又保证了统计意义上的有效性，为室内火灾预警系统的研发提供了宝贵的基准资源。

使用方法

ISFire-4数据集的即用性体现在其标准化的YOLO格式与预设的目录结构上，研究者可直接将其接入YOLO系列目标检测框架进行模型训练与评估。使用时，用户只需解压dataset.zip文件，依据训练、验证、测试子集的划分，配置相应数据路径即可。该数据集支持多类别目标检测任务，可分别训练火焰与烟雾的独立检测器，或联合训练以提升综合预警能力。结合其cc-by-4.0许可协议，使用者可在遵循引用规范的前提下自由修改、再分发，便于在火灾检测领域进行算法对比、超参数优化及模型迁移学习，从而推动室内安全监控技术的持续进步。

背景与挑战

背景概述

ISFire-4数据集诞生于室内火灾与烟雾检测这一关键安全领域，由研究团队在2023年提出，并伴随论文《FireNet-D5: A Genetic Algorithm-Optimized Architecture with BiFPN and SE Attention for Multi-Class Indoor Fire and Smoke Detection》发布。该数据集旨在解决传统火灾检测系统对室内场景中多类型火情识别不足的问题，通过标注黑烟、蓝焰、白灰烟及黄橙焰四类对象，为基于深度学习的多类别目标检测提供了高质量训练与评测基准。其包含7,370张图像和11,010个实例，采用YOLO格式的边界框标注，并划分训练、验证和测试子集，极大促进了室内火灾预警技术的智能化发展，对提升公共安全防护水平具有重要实践意义。

当前挑战

ISFire-4数据集所应对的领域挑战在于室内环境的复杂性与火灾形态的多样性，如光照变化、遮挡及烟雾与火焰的相似外观，使得检测模型需具备高鲁棒性和区分能力。此外，构建过程中面临标注精度与效率的平衡难题，尤其对半透明烟雾和不规则火焰的边界框精准勾勒要求极高，且类不平衡现象（如蓝焰样本相对稀少）给模型训练带来偏差风险。同时，采集数据需覆盖多种室内场景和火源类型，确保代表性，并严格控制标注一致性，这些均构成了数据集构建中的关键挑战。

常用场景

经典使用场景

ISFire-4数据集作为室内火灾与烟雾检测领域的高质量标注资源，其核心应用场景聚焦于多类别目标检测任务。该数据集涵盖四类关键视觉特征——黑烟、蓝色火焰、白灰色烟雾及黄橙色火焰，共计7,370幅图像与11,010个实例，标注格式为YOLO标准规范，可直接用于训练和评估基于深度学习的检测模型。研究者和工程师常借助此数据集开展室内环境下的实时火情感知算法研发，通过其丰富的类别平衡性与场景多样性，探索在复杂光照、遮挡及背景干扰条件下的鲁棒特征提取与定位能力，从而推动智能消防系统的技术迭代。

解决学术问题

该数据集有效解决了室内火灾检测研究中长期存在的多类别细粒度识别难题，以及传统算法对烟、火共存场景下误检率偏高的学术痛点。通过提供区分度鲜明的四类标注，它支撑了研究者对烟雾与火焰异质视觉模式的深入分析，促进了针对低可见度、高动态范围等挑战性情境的模型改进。ISFire-4的发布填补了公开数据集中室内多类火灾样本稀缺的空白，为验证网络架构的泛化性能提供了基准，进而推动了目标检测在安全监测领域的方法学演进，其意义在于为火灾科学提供了量化的数据驱动研究基础。

衍生相关工作

围绕ISFire-4已衍生出若干值得关注的科研工作，其中最具代表性的是其引入基准模型FireNet-D5，该模型融合遗传算法优化的BiFPN结构与SE注意力机制，专为多类室内火灾检测设计。后续研究常以此为对照，探索自动神经架构搜索、轻量化主干网络设计或数据增强策略改进，以期在保持精度的同时降低计算开销。此外，该数据集也催生了基于知识蒸馏的紧凑检测器及跨域自适应方法的实证研究，其四类标注体系更成为验证新型损失函数或后处理算法的通用测试床，进一步巩固了其在火灾视觉感知领域作为基石资源的地位。