野火检测迎突破！无人机航拍北方森林火灾开源数据集正式开源

来源：市场资讯

（来源：计算机视觉研究院）

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/PMC12350734/pdf/41597_2025_Article_5634.pdf

Column of Computer Vision Institute

本文提出Boreal Forest Fire（北方森林火灾）数据集。该数据集基于无人机实地航拍制作，同时支持烟雾目标检测、语义分割、视频分析三大任务，精准适配北方森林场景，有效填补了行业数据空白。

PART/1

痛点

火焰与烟雾是识别野火的两大核心特征：火焰特征明显但易被遮挡，而烟雾出现更早、可视距离更远，是早期火情预警的关键。但烟雾形态多变、透明度不一，极易和云雾、雾气混淆，对算法和数据标注要求极高。

目前全球已公开的野火数据集大多仅支持简单图像分类，缺少目标检测、语义分割类精细标注，且专门针对北方针叶林场景的数据集更是寥寥无几。

【主流野火数据集内容对比表】

PART/2

数据集

数据集基础：无人机实地采集，还原真实北方森林场景

整套数据由大疆精灵 4（DJI Phantom 4）无人机采集，2022 年夏季在芬兰 4 处北方森林开展受控燃烧实验完成拍摄，覆盖云杉、松树、桦树等北欧典型林木，同时记录了晴天、多云等不同天气、远近不同拍摄距离的火情画面。无人机飞行高度 10–200 米，距离火场不超过 500 米，多角度捕捉烟雾形态，最大程度还原野外真实监测环境。

【数据集影像合集（多视角、多环境样本展示）】

【 芬兰四大数据采集地点分布图】

【本次使用的 DJI Phantom 4 无人机实拍图】

数据集整体规模：包含4954 张图像、288 段有效视频片段，所有数据、标注文件、配套代码均对外开源。

PART/3

数据子集

三大数据子集：覆盖检测、分割、视频全任务

该数据集分为 A、B、C 三个独立子集，分工明确，可满足不同深度学习任务需求，标注规范且经过多轮验证。

（一）子集 A：烟雾目标检测数据集（边界框标注）

子集 A 是面向目标检测的图像数据，总计 4954 张图像，其中 256 张为无烟雾空白样本，所有图像按 4 个采集地点分类存储。

团队对比了两种标注方案：仅框选纯烟雾的小边框、包裹整片烟雾区域的大边框。实验证实：大边框标注训练出的模型效果大幅领先（YOLO v5 模型精度 0.94，小边框仅 0.24），因此最终统一采用大区域包围框，标注格式为行业通用的 YOLO 格式。

【大小两种烟雾标注框对比图】

【 YOLO 标注格式说明 + 标注可视化效果图】

（二）子集 B：带分类标签的视频片段

团队将原始航拍视频剪辑为30 秒标准片段，最终保留 288 段 4K 分辨率 MP4 视频。每段视频附带二分类标签（有烟雾 / 无烟雾），标签统一收录在 CSV、Excel 文件中。

该子集用途广泛：可从视频中抽帧扩充图像数据集、测试视频流火情检测效果，也能在树莓派等轻量化硬件上验证算法推理速度。

（三）子集 C：烟雾语义分割数据集

针对图像语义分割任务，团队对图像进行划分：训练集 1184 张、验证集 248 张、测试集 40 张，图像统一降为 1080P 分辨率。

标注方式采用 “人工 + AI 结合”：40 张测试集为纯人工绘制分割掩码，其余图像依托SAM（通用分割大模型），以人工边界框为引导自动生成掩码。经测试，SAM 生成掩码的 mIoU 达 0.636，像素精度 0.958，完全满足分割模型训练要求。

【样本效果图（蓝色为 SAM 分割掩码、红色为人工边界框）】

整套数据拥有清晰的层级目录，按地点、任务、训练集 / 验证集分类管理，上手门槛极低。

【数据集整体存储目录结构图】

PART/4

价值总结

技术验证与核心价值：落地性极强的工业级数据集

团队开展跨数据集迁移测试发现：通用野火数据集（如 HPWREN）训练的模型，应用到北方森林场景时精度仅 0.03，基本无法使用。这证明场景专属数据集必不可少，而本数据集完美适配高纬度北方森林环境。

基于该数据集训练的分割模型，可在9.7 公里外精准识别小型烟团，完全满足野外大范围森林防火的实战需求。

官方同步开源 Jupyter 代码工具，支持标注可视化、YOLO 坐标与像素坐标互相转换；掩码生成、模型训练、测试的全套代码也已公开，还支持与其他野火烟雾数据集混搭训练。

结尾总结

这套北方森林火灾数据集补齐了当前野火视觉检测领域的多项数据短板：兼顾目标检测、语义分割、视频分析三大主流任务，标注严谨、场景真实、配套工具齐全。无论是高校科研、算法研发，还是无人机森林防火产品落地，都能提供高质量的数据支撑，也为全球森林火灾智能监测技术发展提供了重要助力。

有相关需求的你可以联系我们！