点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://pmc.ncbi.nlm.nih.gov/articles/PMC12331093/pdf/pone.0329555.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出FCMI-YOLO—— 基于 YOLOv5s 深度优化轻量化、高精度、实时推理完美平衡精度与速度在边缘端实现中远距离火灾稳定检测。PART/1痛点核心痛点火灾检测的 “精度 - 速度” 死结传感器方案覆盖有限、盲区多初期火灾易漏检。传统深度学习精度提升伴随参数量与计算量暴涨边缘设备跑不动。轻量化模型参数量降了小目标、复杂场景精度又崩盘。团队目标不牺牲精度的极致轻量化让火灾检测真正落地边缘设备。PART/2创新四大创新升级FCMI-YOLO 如何重塑 YOLOv5s1. 主干网络FasterNext 替换 C3轻量不减特征力用PConv 部分卷积计算量降至普通卷积 1/16。激活函数换SiLU梯度更稳定保留更多火焰细节。参数量直降31%特征提取反而更强。FasterNext 与 C3 参数量对比2. 颈部网络CCFMMLCA小火灾再也藏不住CCFM 跨尺度特征融合轻量卷积打通高低层特征保住小目标空间信息。MLCA 混合局部通道注意力兼顾空间与通道聚焦火焰、压制背景干扰。MLCA 原理与结构3. 损失函数Inner-DIoU框得更准、适应火焰形变抛弃 CIoU 对长宽比的依赖引入辅助边界框自动适配火焰大小与不规则形状。高 IoU 样本收敛更快低 IoU 样本回归更稳。最佳比例0.8mAP0.5 达88.0%。Inner-IoU 示意图不同 ratio 下 mAP 曲线4. 全套组合精度涨、体积缩、速度快mAP0.5**1.5%**参数量 **-40%**GFLOPs 降至 YOLOv5s 的28.9%消融实验结果PART/3效果效果碾压PC 与边缘端双验证1. PC 端性能吊打主流 YOLO参数量仅4.2MGFLOPs11.3G。mAP0.588.0%FPS91.2。强光照、遮挡、远距离均无明显漏检。主流算法对比多模型检测效果对比2. 边缘端部署香橙派 5 Plus 实测硬件RK3588 6TOPS NPU。异步多线程NPU 利用率从 45% 拉满至84%。最终效果mAP81.45%FPS23.4满足实时监控。远距离 75m精度70%远超 YOLOv5s 的 59%。边缘端 mAP、30m/75m 检测对比PART/4总结FCMI-YOLO 以四大优化实现突破FasterNext 轻量化主干。CCFMMLCA 强化小目标。Inner-DIoU 优化框回归。边缘端实时部署可行。适用场景森林巡检、工厂监控、楼宇消防、无人机巡查等。未来方向进一步提升抗强风 / 反光干扰、继续压榨推理速度、适配更多边缘硬件。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测