---
license: agpl-3.0
tags:
  - object-detection
  - ultralytics
  - yolo
  - yolo26
  - fire-detection
  - computer-vision
  - pytorch
library_name: ultralytics
pipeline_tag: object-detection
base_model: Ultralytics/YOLO26
---

# Phoenix Detection — YOLO26s 화재·사람 탐지 (전처리 유무 비교)

화재 현장에서 **불(fire)** 과 **사람(person)** 을 탐지하는 YOLO26s 모델 두 개입니다.
같은 데이터셋·같은 하이퍼파라미터로 학습했고, **입력 이미지 전처리 유무만 다릅니다.**

| | `baseline/` | `filtered/` |
|---|---|---|
| 학습 이미지 | Roboflow 원본 | 디헤이즈 + CLAHE 적용본 |
| 추론 시 전처리 | 불필요 | **필수** (아래 참조) |
| 용도 | 대조군 | 연무·저대비 환경 대응 |

## 성능 (test split, 71 images / 94 instances)

| 모델 | P | R | mAP@50 | mAP@50-95 |
|---|---|---|---|---|
| baseline | 0.967 | 0.967 | 0.982 | 0.702 |
| **filtered** | **0.983** | **0.980** | **0.994** | **0.715** |

클래스별 (mAP@50 / mAP@50-95):

| 클래스 | baseline | filtered |
|---|---|---|
| fire | 0.971 / 0.616 | **0.995 / 0.634** |
| person | **0.994** / 0.788 | 0.992 / **0.796** |

전처리본이 모든 종합 지표에서 앞서고, 특히 `fire` 클래스의 mAP@50 이 0.971 → 0.995 로 오릅니다.
다만 **test 셋이 71장뿐**이라 이 차이를 통계적으로 유의하다고 단정하기는 어렵습니다.
경향의 근거로만 보시고, 판단이 중요한 용도라면 더 큰 셋에서 재확인하세요.

각 폴더의 `results.csv`(에폭별 전체 곡선), `results.png`, `confusion_matrix_normalized.png`,
`BoxPR_curve.png` 로 학습 과정을 확인할 수 있습니다. 표의 수치는 각 모델의 best 체크포인트를
test split 에서 재평가한 값입니다.

## 사용법

### baseline

```python
from ultralytics import YOLO
from huggingface_hub import hf_hub_download

w = hf_hub_download("albitro/phoenix_detection", "baseline/best.pt")
model = YOLO(w)

results = model("frame.jpg")
results[0].show()
```

### filtered — 전처리를 반드시 거쳐야 합니다

이 가중치는 전처리된 픽셀로 학습되었습니다. 원본 이미지를 그대로 넣으면 학습/추론 분포가
어긋나 성능이 떨어집니다. 학습에 쓴 것과 **동일한** 파이프라인을 `filtered/preprocess/` 에
함께 올려두었습니다 (`opencv-python`, `numpy` 만 있으면 동작하며 ROS 의존성 없음).

```python
import cv2
from ultralytics import YOLO
from huggingface_hub import snapshot_download

repo = snapshot_download("albitro/phoenix_detection")

import sys; sys.path.insert(0, f"{repo}/filtered")
from preprocess import build_default_pipeline

pipe = build_default_pipeline()          # filter_params.json 의 값 그대로
model = YOLO(f"{repo}/filtered/best.pt")

bgr = cv2.imread("frame.jpg")            # BGR, uint8
results = model(pipe.process(bgr))
results[0].show()
```

`pipe.process()` 는 BGR uint8 을 받아 BGR uint8 을 돌려줍니다. 비디오 스트림에서는
`pipe` 를 한 번만 만들어 재사용하세요 (프레임마다 새로 만들 필요 없음).

## 전처리 파이프라인

`mode="full"` — 감마 보정 → Dark Channel Prior 디헤이즈(guided filter refinement) → CLAHE.
전체 파라미터는 `filtered/filter_params.json` 에 있고 `preprocess.DEFAULTS` 와 일치합니다.
주요 값: `omega=0.95`, `t0=0.1`, `patch=15`, `scale=0.25`, `a_max=0.92`,
`clahe_clip=2.0`, `clahe_tile=8`, `gamma=1.0`.

## 데이터셋

[Roboflow Universe — `-ssifa/it-t82tu` v1](https://universe.roboflow.com/-ssifa/it-t82tu/dataset/1)
(CC BY 4.0). 640×480, 2 클래스, train 307 / valid 94 / test 71.

`filtered` 데이터셋은 원본에 전처리를 적용한 사본입니다. **분할 멤버십·파일명·라벨이 원본과
완전히 동일하고 픽셀값만 다릅니다** — 디헤이즈와 CLAHE 는 화소값 변환이라 바운딩박스가
움직이지 않기 때문입니다. 두 모델의 차이가 전처리 효과인지 분할 운인지 헷갈리지 않도록
의도적으로 이렇게 맞췄습니다. 재압축 손실이 전처리 조건에만 얹히는 것을 피하려고 사본은
PNG 무손실로 저장했습니다.

데이터셋 자체는 이 레포에 포함돼 있지 않습니다. 클래스 정의는 `data.yaml` 참조.

## 학습 설정

두 모델 공통입니다. 전체는 각 폴더의 `args.yaml` 에 있습니다.

| | |
|---|---|
| base | `yolo26s.pt` (COCO pretrained) |
| epochs | 100 (baseline best @79, filtered best @95) |
| imgsz | 640 |
| batch | 16 |
| optimizer | auto |
| seed | 0 |
| device | Intel Arc B580 (XPU), PyTorch 2.13.0+xpu |
| ultralytics | 8.4.117 |

## 한계

- **작은 데이터셋** (총 472장). 촬영 환경이 학습 데이터와 다르면 일반화가 떨어질 수 있습니다.
- test 셋 71장 기준의 비교라 두 모델 간 차이의 신뢰구간이 넓습니다.
- `fire` 의 mAP@50-95 가 0.63 수준입니다. 탐지 여부(mAP@50 0.995)는 신뢰할 만하지만
  불꽃 경계의 박스 정밀도는 그만큼 높지 않습니다 — 불꽃은 경계가 모호한 대상입니다.
- 안전이 걸린 용도에 단독 판단 근거로 쓰지 마세요. 사람의 확인을 거치는 경보 보조로만 쓰세요.

## 라이선스

가중치는 Ultralytics YOLO 에서 파생되어 **AGPL-3.0** 을 따릅니다. 네트워크 서비스로 배포할
경우 소스 공개 의무가 따라옵니다. 상용 용도라면 Ultralytics 엔터프라이즈 라이선스를 확인하세요.
학습 데이터셋은 CC BY 4.0 입니다.