Классификация лесных пожаров и дыма
Модель классификации изображений на базе SigLIP2 для определения наличия пожара, дыма или нормального состояния леса. Достигает точности 99.5% на тестовой выборке из 6060 изображений.
О сервисе
Forest-Fire-Detection Forest-Fire-Detection — визуально-языковая энкодер-модель, дообученная на базе google/siglip2-base-patch16-512 для многоклассовой классификации изображений . Обучена определять, содержит ли изображение огонь , дым или представляет нормальную (без пожара) сцену. Использует архитектуру SiglipForImageClassification . SigLIP 2: Многоязычные визуально-языковые энкодеры с улучшенным семантическим пониманием, локализацией и плотными признаками: https://arxiv.org/pdf/2502.14786 Отчёт по классификации: precision recall f1-score support Fire 0.9960 0.9896 0.9928 2020 Normal 0.9902 0.9960 0.9931 2020 Smoke 0.9995 1.0000 0.9998 2020 accuracy 0.9952 6060 macro avg 0.9952 0.9952 0.9952 6060 weighted avg 0.9952 0.9952 0.9952 6060 Пространство меток: 3 класса Класс 0: Fire (Огонь) Класс 1: Normal (Норма) Класс 2: Smoke (Дым) Установка зависимостей pip install -q transformers torch pillow Пример инференса from transformers import AutoImageProcessor, SiglipForImageClassification from PIL import Image import torch model = SiglipForImageClassification.from_pretrained("prithivMLmods/Forest-Fire-Detection") processor = AutoImageProcessor.from_pretrained("prithivMLmods/Forest-Fire-Detection") id2label = {"0": "Fire", "1": "Normal", "2": "Smoke"} image = Image.open("your_image.jpg").convert("RGB") inputs = processor(images=image, return_tensors="pt") with torch.no_grad(): outputs = model(**inputs) probs = torch.nn.functional.softmax(outputs.logits, dim=1).squeeze().tolist() prediction = {id2label[str(i)]: round(probs[i], 3) for i in range(len(probs))} print(prediction) Область применения Мониторинг лесных пожаров — быстрое выявление зон возгорания и задымления. Охрана окружающей среды — видеонаблюдение за лесными массивами для раннего обнаружения пожаров. Управление чрезвычайными ситуациями — поддержка принятия решений при эвакуации и реагировании. Умное видеонаблюдение — интеграция с дронами и камерами для автоматического обнаружения пожаров. Исследования и анализ — анализ визуальных датасетов для выявления пожароопасных зон. Источник: https://qubu.ai/models/ml-klassifikatsiya-lesnykh-pozharov-i-dyma License: MIT
