烟火识别智能监测系统基于智能视频AI分析技术，烟火识别智能监测系统对工地现场或者厂区监控画面进行实时分析，发现现场出现烟火立即抓拍实时告警同步回传后台监控平台提醒值班人员及时处理，避免发生更大的损失。烟火识别智能监测系统通过前端普通网络摄像头，配置简便成本较低。烟火识别智能监测系统利用RTSP协议实时获取监控摄像头视频流，实时分析。
YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
对于模型重参数化，该研究使用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略，并提出了有计划的重参数化模型。此外，研究者发现使用动态标签分配技术时，具有多个输出层的模型在训练时会产生新的问题：「如何为不同分支的输出分配动态目标？」针对这个问题，研究者提出了一种新的标签分配方法，称为从粗粒度到细粒度（coarse-to-fine）的引导式标签分配。
随着社会的发展和人民生活水平的快速进步，大家对于厂区日常安全生产以及工地安全生产越来越重视。而在厂区或者工地场景下，一旦发生火灾没有被及时发现及时扑灭，就会给生产施工企业造成重大损失。所以火灾隐患应及时发现安全隐患、早发现、早处理。烟火识别智能监测系统通过AI技术手段将火苗扼杀在摇篮，实现快速处置的效果，有效的降低火灾的损坏程度。
# 检测类
class Detect(nn.Module):
stride = None # strides computed during build
export = False # onnx export
def __init__(self, nc=80, anchors=(), ch=()): # detection layer
super(Detect, self).__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
a = torch.tensor(anchors).float().view(self.nl, -1, 2)
self.register_buffer('anchors', a) # shape(nl,na,2)
self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2)) # shape(nl,1,na,1,1,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
def forward(self, x):
# x = x.copy() # for profiling
z = [] # inference output
self.training |= self.export
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i] = self._make_grid(nx, ny).to(x[i].device)
y = x[i].sigmoid()
y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i].to(x[i].device)) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
@staticmethod
def _make_grid(nx=20, ny=20):
yv, xv = torch.meshgrid([torch.arange(ny), torch.arange(nx)])
return torch.stack((xv, yv), 2).view((1, 1, ny, nx, 2)).float()烟火识别智能监测系统不依赖其他传感设备，烟火识别智能监测系统直接对厂区或者工地现场区域画面中烟雾和火焰及时识别，同时将异常烟火信息及时推送给相关值班人员，及时应对处理，满足不同工地或者厂区应用场景安全管理需要。烟火识别智能监测系统通过AI技术手段提升对厂区及施工现场的安全管控效率，降低人工成本，提升管理质量。
