Datasets:

LK-ROBOTICS
/

nxp-sf-train-balanced

task_categories:
  - object-detection
license: other
tags:
  - image
  - yolo
  - patrol
  - safety
  - fire-detection
  - smoke-detection
  - sf
pretty_name: NXP SF Balanced Fire/Smoke Dataset v1
language:
  - ko
size_categories:
  - 10K<n<100K

NXP SF Balanced Fire/Smoke Dataset v1

개요

nxp_sf_train_balanced_v1은 NXP lk_vision_patroller의 전면 화재/연기 탐지 후보 모델을 학습하기 위한 YOLO 형식의 2-class SF(smoke/fire) 데이터셋입니다.

클래스 스키마는 다음으로 고정합니다.

0: fire
1: smoke

이 데이터셋은 원본 import를 직접 수정한 것이 아니라, MMS/Perception 데이터셋 체계의 stage 산출물로 요리한 최종 학습 snapshot입니다.

구성

포맷: YOLO detection (images/ + labels/*.txt)
split:
- train/images, train/labels
- val/images, val/labels
- test/images, test/labels
총 이미지 수: 10,573
총 box 수:
- fire: 9,673
- smoke: 7,459
empty-label 이미지 수: 2,467

split	images	fire boxes	smoke boxes	empty-label images
train	8,177	7,432	5,662	1,967
val	1,361	1,327	1,048	259
test	1,035	914	749	241

재료 데이터셋

이 stage는 아래 재료를 조합해 만들었습니다.

source dataset	role	note
`kaggle_sf_train_dfire_sampled5k_v1`	sampled/remapped SF positive + empty negative	원본 `0=smoke`, `1=fire`를 canonical `0=fire`, `1=smoke`로 remap한 5k 샘플
`roboflow_sf_train_a_v1`	SF positive	smoke 포함 이미지 우선, fire-only 일부 제한
`roboflow_sf_train_b_v1`	SF positive	smoke 포함 이미지 우선, fire-only 일부 제한
`roboflow_sf_train_anguk_v1`	SF derived positive/negative	원본 PSF Anguk에서 fire/smoke만 별도 파생
`roboflow_sf_train_daegu_v1`	SF empty-label negative	원본 Daegu는 person-only이므로 SF 파생본은 empty-label negative
`roboflow_sf_train_gongduk_v1`	SF smoke positive + negative	원본 Gongduk person/smoke에서 smoke만 SF로 유지

정확한 materialization 기록은 BUILD_MANIFEST.yaml을 기준으로 봅니다.

수집 및 가공

source import payload는 /home/jinhyuk2me/lk_ws/ai/vision/perception/datasets/pantry/에 보관합니다.
class remap, sampling, PSF→SF 변환 결과는 /home/jinhyuk2me/lk_ws/ai/vision/perception/datasets/derived/에 보관합니다.
본 데이터셋은 여러 pantry/derived 재료를 조합한 /home/jinhyuk2me/lk_ws/ai/vision/perception/datasets/stage/nxp_sf_train_balanced_v1 stage입니다.
Roboflow/Kaggle 원본 import의 nc / names는 임의 변경하지 않습니다. 필요한 remap은 별도 derived/stage에서만 수행합니다.

사용법

Ultralytics YOLO 학습 예시:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(
    data="/home/jinhyuk2me/lk_ws/ai/vision/perception/projects/patroller-sf-yolo11n-nxp/data-nxp-sf-train-balanced-v1.yaml",
    imgsz=320,
    epochs=200,
    patience=40,
    batch=64,
    workers=0,
)

MMS 학습 파라미터 예시:

{
  "execute_training": true,
  "epochs_override": 200,
  "patience": 40,
  "batch_override": 64,
  "imgsz_override": 320,
  "workers": 0,
  "run_name": "sf_balanced_v1_e200_img320_b64w0_pat40_20260413",
  "data_yaml_override": "/home/jinhyuk2me/lk_ws/ai/vision/perception/projects/patroller-sf-yolo11n-nxp/data-nxp-sf-train-balanced-v1.yaml"
}

라이선스 및 제한

이 데이터셋은 Kaggle/D-Fire 계열 데이터와 Roboflow private/exported 데이터가 섞인 mixed-source stage입니다. 모든 LK 데이터셋 HF 업로드는 private repo로 수행해야 합니다. HF metadata의 license 필드는 private 값을 허용하지 않으므로 보수적으로 other로 두며, 공개 배포 전 각 source manifest의 라이선스 및 재배포 조건을 별도로 확인해야 합니다.

Provenance

dataset id: nxp_sf_train_balanced_v1
build manifest: BUILD_MANIFEST.yaml
MMS recipe metadata: /home/jinhyuk2me/lk_ws/ops/ml-management/lk_mms/datasets/recipes/nxp-sf-train-balanced-v1.yaml
project YAML: /home/jinhyuk2me/lk_ws/ai/vision/perception/projects/patroller-sf-yolo11n-nxp/data-nxp-sf-train-balanced-v1.yaml