yolo11改进烟火

### YOLOv11在烟火检测方面的改进特性

#### 设计理念更新
YOLOv11引入了更加先进的设计理念，在处理复杂场景下的目标检测任务时表现出显著优势。新版本特别注重提升小物体检测能力，这对于烟雾和火焰这类形态多变且容易被遮挡的目标尤为重要[^1]。

#### 架构优化
架构上进行了多项创新性的调整，包括但不限于：
- **更深更宽的网络结构**：增加了更多的卷积层来提取特征图谱中的细节信息；
- **注意力机制集成**：采用通道注意（Channel Attention）与空间注意（Spatial Attention），使得模型能够聚焦于图像中最关键的部分；
- **自适应锚框生成策略**：动态计算最佳匹配尺寸而非固定设置先验框大小，提高了不同尺度下对象定位准确性；

这些改动有效增强了对于各类火灾条件下产生的不规则形状及颜色变化较大的烟雾或火焰的有效捕捉率[^2]。

#### 数据增强方法革新
为了克服样本不足以及提高泛化能力，采用了更为丰富的数据增广手段，如随机裁剪、旋转翻转等操作，并结合混合精度训练加速收敛速度而不损失最终性能指标。此外还利用合成数据集补充真实世界难以获取的一些极端情况实例，进一步完善了算法鲁棒性测试范围[^3]。

#### 实际应用场景适配
考虑到实际部署需求，针对嵌入式设备做了专门优化，降低了推理延迟并减少了内存占用量级，确保可以在资源受限环境下稳定运行。同时支持多种硬件平台间的无缝切换，方便根据不同业务场景灵活选择最合适的解决方案[^4]。

import torch
from yolov11 import YOLOv11

model = YOLOv11()
device = 'cuda' if torch.cuda.is_available() else 'cpu'
model.to(device)

def detect_smoke_fire(image_path):
    img_tensor = preprocess_image(image_path).to(device)
    with torch.no_grad():
        predictions = model(img_tensor)
    
    smoke_boxes, fire_boxes = postprocess_predictions(predictions)
    return smoke_boxes, fire_boxes