基于改进YOLOv8的室内火情检测

随着城市化进程的加快,室内火灾预警变得尤为重要。基于视觉的深度学习技术已成为火灾检测的研究热点,但在性能上仍有较大的改进空间。因此,本文设计了一种改良版的YOLOv8s算法,以提高室内火灾检测的准确性和实时性。改进的YOLOv8s算法通过整合Ghost模块和卷积块注意力机制(CBAM),大幅降低了计算复杂度并增强了特征融合的作用。实验结果表明,该改进模型在模型参数量方面减少了44%,同时帧率提升了19.6%,检测精度也增加了2个百分点;在与其他主流算法进行对比时,在模型的精度、召回率和参数等均体现出均衡的优势。本文详细评估了这些改进对模型检测性能的影响,结果表明,改进后的YOLOv8s算法在检测速度和准确性上均表现出显著优势。本研究不仅为室内火灾监测提供了更高效的解决方案,也展示了深度学习在火灾检测中的广阔应用前景。