1. 引言
火灾是一种具有高度破坏性和危险性的突发事件，对人员生命安全和财产造成严重威胁。快速、准确地检测和响应火灾对于减小损失、保护人员安全和财产安全至关重要。近年来，计算机视觉和人工智能技术的迅速发展为火灾监测和管理提供了新的可能性。在这一背景下，火灾目标检测系统成为一个备受关注的研究领域，其目标是自动地识别和定位火灾相关目标，如火源、烟雾、人员和财产。
目前，深度学习技术已经在目标检测领域取得了显著的成就，特别是卷积神经网络(CNN)的应用。其中，YOLO (You Only Look Once)系列模型是一类广泛应用于目标检测的深度学习模型，其独特的特点是端到端的检测，能够在一次前向传播中同时完成目标检测和定位，具有高效性和准确性的优势。然而，传统YOLO模型在火灾目标检测中仍然存在一些挑战，例如烟雾与火源的复杂背景、不同尺度目标的检测问题等。因此，改进和优化YOLO模型以适应火灾目标检测的需求成为当前研究的热点之一。
传统的目标检测算法需要根据不同的具体任务手动设计不同的特征，例如用于人脸识别的Haar [1] 特征和用于行人检测的HOG [2] 特征。这些功能并非普遍存在，并且鲁棒性较差，导致检测结果不佳。2012年提出的AlexNet网络引发了深度学习的研究热潮，而在2014年，R-CNN [3] 真正将其引入目标检测领域。
目前来说，目标检测可以分为两大类：单阶段检测和双阶段检测，两者的主要区别就是在检测过程中是否提前生成候选区。单结段检测主要包括：R-CNN [3] 、fast R-CNN [4] 、faster R-CNN [5] ，双阶段检测主要包括：SSD系列、YOLO系列。目标检测要求检测精度高、检测准确率高。双阶段检测根据检测算法提前生成候选区，然后再对候选区进行分析，这样在速度上与单结段检测差别很大，因此选用单阶段检测的方法用于道路目标检测会大大提高检测的实时性。
近年来，深度学习在计算机视觉领域取得了巨大的成果，并且在道路目标检测方面也具有广阔的应用前景。本文将一种称为YOLOv8的单阶段深度学习方法应用于火灾目标领域。由于其高准确性、快速推理速度和灵活部署的优势，YOLOv8自从其代码开源以来就受到了许多计算机视觉领域研究人员的密切关注和研究。为了提高YOLOv8在目标检测的性能，我们引入了注意力机制的方法，以使YOLOv8模型更加关注具有丰富信息的目标特征。
2. YOLOv8模型
2.1. YOLOv8模型概述
YOLOv8是Utralytics公司在2023年1月10号开源的YOLOv5的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务，按照官方描述，YOLOv8是一个SOTA模型，它建立在以前YOLO版本的成功基础上，并引入了新的功能和改进，以进一步提升性能和灵活性。具体创新包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可以在从CPU到GPU的各种硬件平台上运行，YOLOv8对比其他版本的优点具体见图1。
Utralytics开源库的两个主要优点是：
1. 融合众多当前SOTA技术于一体。
2. 未来将支持其他YOLO系列以及YOLO之外的更多算法。
Figure 1. Advantages of YOLOv8 compared to other versions
图1. YOLOv8对比其他版本的优点
2.2. YOLOv8结构分析
2.2.1. YOLOv8骨干：从输入图像提取特征信息
YOLOv8的骨干网络是Darknet-53。Darknet-53是由Joseph Redmon提出的一个深度卷积神经网络模型，它由53个卷积层和池化层组成用于提取图像特征。Darknet-53在YOLOv3网络中被广泛使用，并在YOLOV4和YOLOV5中也得到了应用。它具有较强的特征提取能力，能够在目标检测任务中提供较好的性能。
2.2.2. YOLOv8颈部：为了更好的利用骨干提取的特征，起着特征融合的作用
YOLOv8中将YOLOv5的C3结构换成了梯度流更丰富的C2f结构，并对不同尺度模型调整了不同的通道数C3模块的结构图，然后再对比与C2f的具体的区别。针对C3模块(如图2所示)，其主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计了C3 Block，CSP主分支梯度模块BottleNeck [6] 模块。同时堆叠的个数由参数n来进行控制，也就是说不同规模的模型，n的值是有变化的。
C2f模块(如图3所示)就是参考了C3模块以及ELAN的思想进行的设计，让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。
2.2.3. YOLOv8头部：输出边界框和预测的类别
“head”的主要作用是将特征图(来自特征提取网络)映射到目标检测结果。它通常包括一个或多个卷积层、全连接层和激活函数，以及一些参数化的操作。具体作用如下：
1. 目标框坐标预测：“head”会生成目标框的坐标信息，通常以边界框的左上角坐标和右下角坐标(或中心点坐标、宽度和高度)的形式输出。这些坐标信息用于确定检测到的目标的位置。
2. 目标类别预测：“head”也负责为每个检测到的目标框分配一个类别标签。这通常涉及到使用Softmax激活函数，使得每个框的类别概率总和为1，以确定目标属于哪个类别。
3. 目标得分(置信度)预测：每个目标框都伴随一个置信度分数，该分数表示该框中是否包含目标物体。“head”生成这些置信度分数，通常使用sigmoid激活函数，值范围在0到1之间。
4. 多尺度输出：YOLO通常在不同尺度下进行目标检测，因此对于每个尺度，都会有一个相应的“head”来生成目标检测结果。这有助于检测不同尺寸的目标物体。
2.3. YOLOv8算法的改进
2.3.1. 加入BotNet结构
BotNet [7] 一种简单但功能强大的backbone架构(见图4)，该架构将自注意力纳入了多种计算机视觉任务，包括图像分类，目标检测和实例分割。该方法在实例分割和目标检测方面显著改善了基线，同时还减少了参数，从而使延迟最小化。
BoTNet使用Mask R-CNN框架在COCO实例分割基准测试中取得了44.4%的Mask AP和49.7%的Box AP，超过了ResNeSt在COCO验证集上以单模型和单尺度获得的最佳结果。
Figure 4. BotNet module structure diagram
图4. BotNet结构图
2.3.2. 引入EMA注意力机制
EMA [8] (Exponential Moving Average)注意力机制是一种用于改进深度学习模型性能的技术，特别是在自然语言处理领域中的注意力机制(见图5)。它的名称源自指数移动平均，这种方法用于平滑时间序列数据。EMA注意力机制的核心思想是使用指数移动平均来平滑模型中的注意力权重，以减少噪声并提高模型的稳定性和泛化能力。EMA注意力机制通过引入指数移动平均来解决权重变化剧烈问题。具体来说，它在每个训练步骤中计算一个新的EMA权重，并将其与当前的注意力权重相结合。这使得EMA权重相对平滑，减少了权重的剧烈变化，从而提高了模型。
Figure 5. EMA attention mechanism structure diagram
图5. EMA注意力机制结构图
2.3.3. 算法改进说明
1. 在YOLOv8的骨干网络末端引入BotNet架构，其作用是用来优化骨干网络对输入图像特征的提取。
2. 在YOLOv8的头部网络末端引入EMA注意力机制，其作用是用来防止权重的剧烈变化，进而提高模型的鲁棒性。
3. 实验的结果与分析
3.1. 实验的软件版本与硬件配置
本文所有的实验都基于同一个实验环境以保证实验数据的真实性与可靠性。本文实验所用的操作系统为Windows11版本，深度学习的框架为Pytorch1.8.1，语言版本为Python3.8，GPU为NVIDIA RTX 2080 Ti，CPU为Intel Core i7-4790，Cuda版本为11.1。
3.2. 数据集介绍
Kaggle是一个数据科学和机器学习社区，它提供了大量的开放数据集供数据科学家、机器学习工程师和研究者使用。这些数据集涵盖了各种不同的主题和领域，可以用于各种分析、建模和可视化项目。本文的数据集选自Kaggle平台名为Fire_Eye的数据集，其中训练集有3871张图片，验证集有431张图片，每张图片的大小尺寸都是640 × 640，总共分为Fire与Smoke两个分类。
3.3. 实验结果
准确率(Precision)、召回率(Recall)和平均准确度(mAP)被用作评估指标来评估我们改进模型的性能。准确率用于评估模型检测的准确性，而召回率用于评估模型找到所有正样本的能力。AP是一个综合评价指标，结合了准确率和召回率，它使用积分方法计算由准确率–召回率曲线和坐标轴所围成的面积。整个数据集上的mAP可以通过对所有类别的AP值进行平均得到。
在目标检测中通常有四个检测评估指标：
TP (True Positives)：实际正类预测为正类的数量。
TN (True Negative)：实际负类预测为负类的数量。
FP (False Positives)：实际负类预测为正类的数量。
FN (False Negative)：实际正类预测为负类的数量。
准确率和召回率可以计算公式为：
将
表示为准确率，
表示为召回率，
表示为种类数，就可以得到
值的计算公式：
本篇文章是关于火灾的目标检测，只有Fire与Smoke两个分类，所以N的取值为2。
本次实验对比YOLOv8模型与引入BotNet和EMA注意力机制的YOLOv8模型(下文称BotNet-EMA-YOLOv8模型)做了深刻的对比，得出BotNet-EMA-YOLOv8模型相比于YOLOv8模型mAP值提高了2.3%，Fire与Smoke的预测准确率也分别提高了1.4%和1%。具体结果如下图6~9所示。由此可见，BotNet-EMA-YOLOv8模型在在火灾检测方面性能更佳。
Figure 6. BotNet-EMA-YOLOv8 model precision-confidence curve
图6. BotNet-EMA-YOLOv8模型精度置信曲线
Figure 7. BotNet-EMA-YOLOv8 model precision-confidence curve
图7. BotNet-EMA-YOLOv8模型精度召回曲线
Figure 8. BotNet-EMA-YOLOv8 model recall-confidence curve
图8. BotNet-EMA-YOLOv8模型召回置信曲线
Figure 9. BotNet-EMA-YOLOv8 model other related results
图9. BotNet-EMA-YOLOv8模型其他相关结果图
火灾检测结果如图10所示，左侧的一列为BotNet-EMA-YOLOv8模型所检测的结果，右侧的一列为YOLOv8模型所检测的结果，经过对比可以得出BotNet-EMA-YOLOv8模型对火灾的小目标检测比YOLOv8更加好，对火灾的大目标检测比YOLOv8模型准确率更高。
Figure 10. BotNet-EMA-YOLOv8 model fire detection pictures
图10. BotNet-EMA-YOLOv8模型火灾检测图
4. 结论
火灾目标检测对于保护人民的财产安全以及生命安全有着重要的研究价值，有利于人民防患于未然，具有一定的经济意义。本文应用火灾与烟的数据集在模型上训练，在YOLOv8的基础上引入BotNet架构和EMA注意力机制，BotNet-EMA-YOLOv8模型比YOLOv8模型在小目标检测上检测的更加精准，该模型不仅提升了小目标的检测能力，也提升了包括mAP值在内的检测评估指标，具有非常高的实用价值。
参考文献
NOTES
*通讯作者。