如何用自己电脑做网站服务器惠州网站seo

以下内容均来自于我的github，源码见github地址：

https://github.com/sakura-kun-c/rk3588_fire_smoke_detect

1. 简介

基于 YOLOV6，在RK3588上实现的明火烟雾检测模型

 演示视频如下：

fire_demo6_result

1.1 数据集来源

        训练数据集20500张，其中真实数据集约15000张，合成烟雾数据集约5000张，数据集均来源于网上搜集，并进行部分重新标定。
点击进入数据集参考网址1
点击进入数据集参考网址2

1.2 训练代码及版本

点击进入YOLOV6源码地址 ，预训练模型及代码版本号选择：0.3.0

1.1.1 训练命令示例

Note: 注意训练适配 rknn 的模型时，不要开启 --fuse_ab

python tools/train.py --batch 32 --epochs 100 --conf configs/yolov6n_finetune.py --data data/dataset.yaml  --device 0

1.1.2 测试训练后的模型效果

python tools/infer.py --weights ./weights/last_ckpt.pt --yaml ./data/dataset.yaml --source ./test_data/img/ --save-dir ./test_data/results/

1.1.3 查看训练loss曲线示例

tensorboard --logdir ./runs/train/exp/

1.1.4 导出适配rknn的onnx模型示例

python deploy/RKNN/export_onnx_for_rknn.py --weight ./yolov6n.pt

1.1.5 导出rknn模型

导出教程参考 rknn_model_zoo

1.3 版本说明

版本号	日期	功能说明
v1.0.0	2025-06-01	支持图片/本地视频流火焰烟雾检测

1.4 模型评估

模型	召回率	误检率
yolov6sInt8.rknn	95%	/

[名词解释]

• 图片级别召回：只要在有目标的图片上检测出目标（不论框的个数），该图片被认为召回
• 图片级别误检：只要在无目标的图片上检测出目标（不论框的个数），该图片被认为误检

2. 使用

2.1 编译项目

cmake -S . -B build && cmake --build build

2.2 执行

./build/main <rknn_model_path> <input_data_dir> <input_type> [save_video]

参数说明:
<rknn_model_path>：RKNN 模型文件路径（如：./weights/yolox_ss_fire_fp.rknn）
<input_data_dir>：输入图像或视频所在目录（如：./test_data/）
<input_type>：img：输入为图像；video：输入为视频
[save_video]（可选）：仅video模式需要，用于保存推理结果视频（输入任意字符即可保存）

执行推理后的图片/视频结果会放到工作目录的results目录下

示例:

./build/main ./weights/300_epoch_v6s_int8.rknn ./test_data/ img
./build/main ./weights/300_epoch_v6s_int8.rknn ./test_data/ video 1

3. 后续规划

        当前版本只是较为基础的版本，后续将尝试集成其他模型（如：安全帽、人员倒地检测模型），并集成8路以上摄像头进行实时视频检测, 同时每路摄像头都将检测若干个模型。欢迎各位大佬进行交流。