摘要： 火灾是威胁生命财产安全的主要灾害之一，早期精准检测火焰与烟雾对于防灾减灾至关重要。本文深入探讨了基于YOLO系列目标检测算法（涵盖v5至v10最新版本）的火焰与烟雾智能检测系统。我们不仅详细对比了各版本YOLO算法的性能与架构演进，还提供了一个完整的、具备友好用户界面的工程实现方案。本文内容涵盖：1) 自建高质量火焰烟雾数据集的构建与处理流程；2) YOLOv5/v6/v7/v8/v10模型的训练、评估与优化策略详解；3) 基于PyQt/Tkinter的跨平台可视化检测系统开发；4) 完整的核心代码实现与部署指南。实验表明，本系统在自建数据集上平均精度均值（mAP@0.5）达到89.7%，可实现实时、高精度的火焰烟雾检测，为森林防火、楼宇安防、工业监控等场景提供了可靠的技术解决方案。
关键词： 火焰检测；烟雾识别；YOLO目标检测；深度学习；PyQt用户界面；工业安防；计算机视觉
1. 引言：火灾检测的背景与挑战
传统的火灾探测技术，如感烟探测器、感温探测器，多基于物理传感器，存在响应延迟大、易受环境干扰、安装位置受限等局限性。近年来，随着计算机视觉与深度学习技术的飞速发展，基于视频监控的视觉火灾检测方法展现出巨大潜力。这类方法能够实现非接触式、大范围、早期预警，并能直观定位火源与烟雾扩散范围。
在众多目标检测算法中，YOLO（You Only Look Once）系列以其卓越的“速度-精度”平衡特性脱颖而出，特别适合于需要实时响应的安防监控场景。从YOLOv1到最新的YOLOv10，该系列算法在骨干网络、特征融合机制、损失函数等方面持续创新。本文将聚焦于应用最广泛的YOLOv5、
