前言

火焰检测的算法本身已经比较成熟了，YOLO 系列做目标识别效果不错，把算法和一套完整的 Web 管理系统串起来，其实就是一个可以落地的小型智慧消防系统。于是花了两周时间，基于 Django + MySQL + YOLOv5 搭了一套完整的火焰检测系统，从用户上传图片/视频到检测结果展示、预警推送、大屏统计，全流程跑通。

这篇文章就分享一下这个系统的完整实现过程。

项目介绍

一个基于 Python + Django + YOLOv5 的火焰检测系统，名字暂叫 FireGuard。系统通过深度学习算法自动识别图片或视频中的火焰，检测到火情后记录预警信息，并在管理后台和大屏上实时展示。

项目采用 B/S 架构，用户通过浏览器访问。前端负责上传文件和展示结果，后端 Django 处理业务逻辑、调用 YOLOv5 推理，MySQL 存储所有数据。整体分两层权限：管理员可以查看全站数据和用户管理，普通用户只负责上传检测和查看自己的记录。

项目功能

项目特点

项目技术

项目代码

整个项目采用 Django 的 MTV 模式组织。核心业务集中在 detection_app 这个应用里，包含了模型定义、视图逻辑、推理工具和前端模板。

数据库模型

系统主要用到 DetectionRecord 和 AlertLog 两张表，前者存检测记录，后者存预警日志，两者通过 OneToOneField 关联：

from django.db import modelsfrom django.contrib.auth.models import UserclassDetectionRecord(models.Model):    TYPE_CHOICES = [        ('image', '图片'),        ('video', '视频'),    ]    user = models.ForeignKey(User, on_delete=models.CASCADE, verbose_name="检测用户")    file_type = models.CharField(max_length=10, choices=TYPE_CHOICES, verbose_name="类型")    original_file = models.FileField(upload_to='uploads/', verbose_name="原始文件")    result_file = models.FileField(upload_to='results/', null=True, blank=True, verbose_name="结果文件")    is_fire = models.BooleanField(default=False, verbose_name="是否发现火情")    confidence = models.FloatField(default=0.0, verbose_name="最高置信度")    location = models.CharField(max_length=200, null=True, blank=True, verbose_name="位置描述")    created_at = models.DateTimeField(auto_now_add=True, verbose_name="检测时间")classAlertLog(models.Model):    record = models.OneToOneField(DetectionRecord, on_delete=models.CASCADE, verbose_name="关联记录")    message = models.TextField(verbose_name="预警内容")    is_handled = models.BooleanField(default=False, verbose_name="是否处理")    handled_at = models.DateTimeField(null=True, blank=True, verbose_name="处理时间")

YOLOv5 推理工具封装

为了避免每次请求都重新加载模型，在 utils.py 中做了一次加载和全局复用：

from ultralytics import YOLOimport osMODEL_PATH = 'weights/best.pt'model = YOLO(MODEL_PATH)defdetect_fire_media(file_path, save_dir='media/results'):"""    检测图片或视频中的火焰    返回: (is_fire, max_conf, result_path)    """    os.makedirs(save_dir, exist_ok=True)    filename = os.path.basename(file_path)    result_path = os.path.join(save_dir, f"detected_{filename}")    results = model(file_path, conf=0.4, iou=0.5)    result = results[0]    is_fire = False    max_conf = 0.0if result.boxes isnotNone:for box in result.boxes:            cls_id = int(box.cls[0])            conf = float(box.conf[0])            class_name = model.names[cls_id]if'fire'in class_name.lower():                is_fire = Trueif conf > max_conf:                    max_conf = conf    result.save(filename=result_path)return is_fire, max_conf, result_path

这里注意一个细节：类别 ID 和名称取决于训练数据集的标注方式，实际使用时要根据自己模型的类别映射调整判断逻辑。

视图中的检测流程

图片检测和视频检测的流程基本一致，以图片检测为例：

@login_requireddefimage_detect_view(request):if request.method == 'POST'and request.FILES.get('image'):        uploaded_file = request.FILES['image']        location = request.POST.get('location', '未知区域')        temp_path = f"media/uploads/{uploaded_file.name}"with open(temp_path, 'wb+') as destination:for chunk in uploaded_file.chunks():                destination.write(chunk)        is_fire, conf, result_path = detect_fire_media(temp_path)        record = DetectionRecord.objects.create(            user=request.user,            file_type='image',            original_file=temp_path,            result_file=result_path,            is_fire=is_fire,            confidence=conf,            location=location        )if is_fire:            AlertLog.objects.create(                record=record,                message=f"检测到火情！位置：{location}，置信度：{conf:.2f}"            )return redirect('detect_result', record_id=record.id)return render(request, 'image_detect.html')

视频检测的逻辑类似，但实际场景中视频文件较大、推理耗时较长，生产环境建议配合 Celery 做异步任务，避免 HTTP 请求超时。

大屏视图的数据聚合

大屏需要展示总检测数、火情数、预警列表以及图表数据。视图中从数据库聚合数据后传给模板：

@login_requireddefdashboard_view(request):    total_records = DetectionRecord.objects.count()    fire_records = DetectionRecord.objects.filter(is_fire=True).count()    recent_alerts = AlertLog.objects.select_related('record').filter(is_handled=False)[:5]# 实际项目中应从数据库按日期聚合    labels = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"]    data_fire = [2, 5, 3, 8, 1, 4, 6]    data_safe = [10, 12, 15, 10, 20, 18, 14]    context = {'total': total_records,'fire_count': fire_records,'alerts': recent_alerts,'chart_labels': json.dumps(labels),'chart_fire': json.dumps(data_fire),'chart_safe': json.dumps(data_safe),    }return render(request, 'dashboard.html', context)

项目效果

登录页面简洁，输入用户名密码后进入对应的管理界面。普通用户的界面以检测功能为主，上方是图片上传区域和位置输入框，下方显示最近几条检测记录。上传一张包含火焰的图片后，页面跳转到结果详情页，展示原始图片、标注了火焰边界框的结果图、置信度分数以及“火情”或“安全”的结论。

管理员登录后默认进入大屏页面。页面顶部展示总检测次数、火情预警数和在线设备数三张统计卡片，中间左右并排展示近七天火情趋势折线图和检测类型占比饼图。页面下方是未处理预警列表，每条预警都带有时间、位置、置信度信息和“处理”按钮，点击后标记为已处理。

整个系统操作下来，从上传到出结果大概 3 到 5 秒（取决于硬件配置），对于图片检测场景来说响应速度可以接受。

项目源码

项目目录结构如下：

fire_detection_system/├── manage.py├── fire_system/              # Django 项目配置│   ├── settings.py│   └── urls.py├── detection_app/            # 核心应用│   ├── models.py│   ├── views.py│   ├── urls.py│   ├── utils.py              # YOLO 推理工具│   ├── templates/            # HTML 模板│   │   ├── login.html│   │   ├── dashboard.html│   │   ├── image_detect.html│   │   ├── video_detect.html│   │   └── result_detail.html│   └── static/               # CSS / JS├── media/                    # 上传文件和结果文件│   ├── uploads/│   └── results/├── weights/                  # 模型权重│   └── best.pt└── requirements.txt

拿到源码后，按以下步骤即可跑起来：

1、用 PyCharm 打开项目，创建 Python 3.8 虚拟环境

2、执行 pip install -r requirements.txt 安装依赖

3、在 MySQL 中创建数据库 fire_db，修改 settings.py 中的数据库连接信息

4、执行 python manage.py makemigrations 和 python manage.py migrate

5、执行 python manage.py createsuperuser 创建管理员账号

6、将训练好的 best.pt 放入 weights 目录

7、执行 python manage.py runserver 启动服务，访问 http://127.0.0.1:8000/login/

总结

这套火焰检测系统把深度学习目标检测和 Web 管理后台结合在了一起，形成了一个从数据采集、算法分析、结果展示到预警处理的完整闭环。代码量适中，架构分层清楚，适合作为 AI 落地项目的参考模板。

有几个地方实际使用时要特别注意：一是模型的检测精度直接决定了预警的准确率，训练数据要覆盖足够多的场景（不同光照、不同角度、不同规模的火焰）；二是视频检测的计算量较大，生产环境建议用异步任务处理，避免阻塞主线程；三是位置信息目前还是文本输入，后续可以接入地图 API，把检测点落到地图上，这样大屏的指挥效果会更好。

这套系统的设计思路不止局限于火焰检测，换一个训练好的模型（比如烟雾识别、人员闯入检测、设备故障识别），改一下类别判断逻辑，完全可以复用到其他安防或工业视觉场景中。

关键词