软件杯火灾检测数据与训练工程

项目概览 ​

ruanjianAB 是软件杯火灾检测赛题的本地代码和数据工程。项目使用 PaddleDetection PP-YOLOE，并保留 YOLOv5/Ultralytics 辅助流程，覆盖数据清洗、标注格式转换、训练、预标注、推理后处理、标注风格分析和可视化。

它与 ruanjianbei 的重点不同：后者整理了目标检测赛道的五折训练和评估入口，而该仓库集中保存 A 榜数据、补充数据、公开火灾数据集和多轮实验产物。

数据与目录 ​

数据处理工具 ​

• json2voc.py：把 LabelMe JSON 转换为 Pascal VOC XML。
• voc2coco_fire_all_local.py：把 VOC 数据转换为 COCO，并划分训练集与验证集。
• xml2labelme.py：把 VOC XML 转回 LabelMe JSON。
• fix_labelme_json.py：修复异常的 LabelMe 标注形状。
• delete_label_images.py：清理图片与标注不匹配的冗余数据。

这些工具用于在 LabelMe、Pascal VOC 和 COCO 三种格式之间建立可复用的数据流，减少不同训练框架对标注格式的耦合。

训练与推理 ​

• train_yolo.py：YOLO 训练入口，同时处理 XML 转 YOLO 和数据集划分。
• prelabel_yolo.py：使用已有模型对新图片进行预标注，并输出 LabelMe JSON。
• infer_firebig.py：从检测结果中提取最大的火点框。
• PaddleDetection 目录：提供 PP-YOLOE 模型、配置和预训练权重。

项目需要 Python 3.8+，并依赖 PaddlePaddle、PaddleDetection、YOLOv5/Ultralytics、OpenCV、NumPy、Pandas、Matplotlib 和 tqdm。

典型流程：

1. 检查并修复 LabelMe JSON 标注。
2. 将 VOC 标注转换为 COCO 格式并划分数据集。
3. 使用 PP-YOLOE 配置训练模型。
4. 使用 YOLO 预标注工具扩充或校正数据。
5. 执行推理后处理和标注风格分析。
6. 通过可视化脚本抽查边界框位置和类别。

分析与可视化 ​

analyze_annotation_style.py 用于比较本地标注与官方标注的风格差异，count_labels.py 统计类别数量和小目标比例，vis_labelme.py、imge_xianshi.py 和 vis_xml2img.py 则把标注框绘制到图像上。

这部分工具可以发现过紧或过松的框、类别不均衡、极小目标比例异常和格式转换错误，避免直接把数据问题带入训练。

项目地址 ​

GitHub: wusi321/ruanjianAB