YOLOv8算法是目标检测领域中的一种深度学习算法，它在继承YOLO系列优秀性能的基础上，通过改进网络结构和引入新的技术手段，进一步提升了目标检测的精度和速度。该算法的核心思想是通过卷积神经网络进行特征提取和目标检测，它采用了一种独特的双路径预测和紧密连接的卷积网络结构，使得算法能够更好地处理不同大小的目标。此外，YOLOv8还引入了级联和金字塔的思想，通过多尺度的特征图进行物体检测，能够检测不同大小的物体，并具有较好的尺度适应性。

YOLOv8算法网络模型如 图1 所示，主要包括三个部分：骨干网络(Backbone)、颈部网络(Neck)和头部网络(Head)。在 图1 所示的网络结构中，主要模块Conv、C2f、SPPF、Concat、Upsample和Detect模块的操作流程和YOLOv8一样，在此本文不做过多说明。YOLOv8的骨干网络有Conv、C2f和SPPF (spatial pyramid pooling fusion)结构，其中，C2f模块是对残差特征进行学习的主要模块，通过更多的分支跨层连接，使模型具有更为丰富的梯度流，形成具有更强特征表示能力的神经网络模块。颈部网络采用路径聚合网络(path aggregation network, PAN)结构，可加强网络对不同缩放尺度对象的特征融合能力。头部网络将分类和检测过程进行解耦，主要包括损失计算和目标检测框筛选，解耦头的设计让每个尺度都有独立的检测器，这种设计有助于更好地处理不同尺度的目标，提高检测的准确性 [12] 。

FasterNet网络是一种高效的神经网络架构，其设计目标是在不牺牲准确性的前提下提高计算速度，特别是在视觉任务中表现突出 [13] 。该网络引入了一种名为部分卷积(PConv)的新型卷积方法，通过仅处理输入通道的一部分来减少计算量和内存访问，从而实现了高效的特征提取。这种设计使得FasterNet在多种设备上都能实现比其他网络更快的运行速度，同时保持较高的准确度。

部分卷积(PConv)的操作流程如 图2 所示，PConv模块仅选择部分输入通道执行普通的Conv操作以提取空间特征，而剩余通道则维持原样不进行处理。针对连续或规则的内存访问模式，该模块通常选择首个或末尾连续的通道作为特征图的代表进行运算。在一般情况下，我们可以假定输入与输出特征图的通道数量保持一致。因此，对于PConv模块，其计算复杂度(FLOPs)可以表示为： $h\ast w\ast k^2\ast c_p^2$，其中 $h$和 $w$分别表示特征图的高和宽， $k$代表卷积核的大小，而 $c_p$则是参与常规卷积计算的通道数量。与传统卷积相比，这里的 $c_p$相当于普通卷积中数量的1/4，从而使得PConv的FLOPs仅为传统卷积的1/16，大大降低了计算量。至于内存访问情况，PConv模块在运算过程中的内存访问量大致为： $h\ast w\ast 2\ast c_p$。与常规卷积相比，PConv的内存访问量仅仅是常规卷积的1/4，从而无需频繁地进行大规模的内存访问操作，提高了推理速度。

本文利用FasterNet网络的部分卷积机制来对YOLOv8算法进行改进，来降低冗余计算，实现网络轻量化。由于部分卷积机制主要是用在FasterNet网络的FasterNet Block模块实现，因为改进措施是将FasterNet Block模块引入到YOLOv8的C2f模块中，用FasterNet Block模块代替C2f模块中的Bottleneck模块，从而构建成新的轻量化模块，命名为FasterC2f模块，其网络结构如 图3 所示。最后，用构建的FasterC2f模块来替代YOLOv8网络结构中的所有C2f模块，实现对YOLOv8算法的轻量化改进。

在深度学习网络中，为了加速模型的收敛速度、提高泛化能力、防止梯度消失或爆炸，一般需要对数据进行归一化处理，常用的归一化处理技术是批归一化BatchNorm。BatchNorm具有以下优点：(1) 通过增大学习率，加快模型收敛至最佳参数，减少训练时间；(2) 减少对初始权重的敏感性，帮助模型在不同初始值下保持相似性能；(3) 减少了对如Dropout等正则化技术的依赖，降低过拟合风险；(4) 调整激活值分布，防止梯度消失或爆炸，使训练更稳定。虽然BatchNorm具有很多优点，但是对batch size的大小比较敏感，由于每次计算均值和方差是在一个batch上进行的，所以如果batch size太小，则计算的均值和方差可能不足以代表整个数据分布，可能导致模型性能下降。本文选择使用GroupNorm代替BatchNorm主要是因为GroupNorm具有更好的适应性、能够保持通道之间的相对关系、提高模型的鲁棒性、在一些场景下性能更佳以及减少对小批量大小的依赖等优点 [14] 。另外，在文献 [15] 中已经证明在处理一些目标检测任务中，GroupNorm可以提升检测头定位和分类的性能。

GroupNorm的操作方法如 图4 所示，其中N表示数据的批次轴，C作为通道轴，H，W作为空间轴。GroupNorm对输入大小为[N, C, H, W]的图像，首先将通道设定成若干组(如 图2 蓝色部分)，在每个组内计算方差和平均值，然后根据计算结果对这组内的所有数据进行归一化。GroupNorm的计算区域与输入的通道数C有关，而不是批次大小N。因此，它不依赖批量大小，在目标检测、视频分类等大型计算机视觉应用中，当计算机内存受到限制或者必须设置较小的样本数量的情况下，群归一化会非常有用。

共享卷积是卷积神经网络(CNN)中的一个核心概念。在CNN中，卷积层由一系列的卷积核(或称为过滤器、滤波器)组成，这些卷积核与输入图像的不同位置进行卷积运算，生成对应的特征图。而共享卷积的原理在于，对于同一个卷积核，它在不同位置的卷积运算使用的是相同的权重参数。这意味着，无论卷积核在图像的哪个位置进行卷积，其权重参数都是相同的，从而实现了权重的共享。共享卷积的核心优势在于其权重共享的机制，这一机制显著减少了网络需要训练的参数数量，从而提高了计算效率，并降低了过拟合的风险。通过保持卷积核对整个图像的权重一致性，共享卷积能够更有效地提取图像中的局部特征，同时保持空间结构信息。此外，其移不变性使得模型对输入数据的平移变换具有鲁棒性，进一步增强了模型的泛化能力。最后，共享卷积支持多通道输入处理，能够充分利用不同通道间的信息，增强模型的表达能力。这些优点共同使得共享卷积在图像处理等领域展现出卓越的性能。

本文设计了一种基于群归一化GroupNorm和共享卷积的轻量化检测头Lightweight Shared Convolu-tional Detection-LSCD，其网络结构如 图5 所示。LSCD检测头充分利用了GroupNorm和共享卷积的优势，能够在保持特征信息有效融合的情况下，尽量减少计算量和运算复杂度。

在 图5 所示的LSCD检测头网络结构中，GN_Conv 1 × 1模块表示的是群归一化GroupNorm + 卷积Conv操作，其中1 × 1表示卷积核大小为1 × 1。两个黄色群归一化卷积模块GN_Conv 3 × 3共享权重，三个蓝色预测框卷积模块Conv_Box共享权重，三个红色分类卷积模块Conv_Cls共享权重。在每个Conv_Box模块后面连接着Scale模块，Scale模块主要是一个缩放系数，用来匹配对不同尺度目标的检测。

在本次实验过程中，我们利用AI Studio平台与中国视觉资源网站的协作，精心构建了一个多元化的火灾场景数据集。此数据集广泛涵盖了从森林与草地野火、家庭外部环境中的建筑火灾，到实验室内发生的火灾等多种情景。整个数据集共计收录了2059幅图像，这些图像分别捕捉了森林区域、建筑外部、交通地带以及室内环境下的火灾现场。为了进一步促进数据的有效利用与模型训练，我们将该数据集细致地划分为三个独立但相互关联的子集：训练集、验证集与测试集，且严格遵循8:1:1的比例分配原则。具体而言，训练集占据了数据集的主要部分，包含1647幅图像，用于模型的训练与学习；验证集与测试集则各含206幅图像，分别用于模型训练过程中的效果验证与最终的性能评估。 图6 中展示的是该数据集中部分代表性图像，直观呈现了数据集的多样性和丰富性。

为评价本文所提算法的有效性，以全类平均精度(mean Average Precision, mAP)、每秒钟检测帧数(Frames Per Second, FPS)、每秒10亿次浮点运算数(Giga Floating-point Operations Per Second, GFLOPs)、模型层数(Layers)和参数量(Parameters/M)作为评估指标。其中，mAP作为评价模型检测精度提升的效果，其值越大代表模型检测精度越高；FPS代表模型每秒钟能够检测图像的张数，数值越大则反映模型实时性越好；GFLOPs、Layers和Parameters反映模型轻量化程度，这些值越小则代表模型轻量化程度越高，对硬件性能要求就越低。

本文采用消融实验对不同模型进行性能对比：以YOLOv8n模型作为基础网络，在YOLOv8n中将C2f模块替换为FasterC2f模块得到的模型为FasterC2f-YOLOv8n，以自研LSCD检测头替换YOLOv8原检测头的模型为LSCD-YOLOv8n，将前面两种策略同时应用得到的模型为 FasterC2f-LSCD-YOLOv8n。本文的实验是在下述条件下进行的：Python-3.8.18，torch-1.13.1+cu116，CUDA:0 (NVIDIA GeForce RTX 3080, 10240MiB)。消融实验结果如 表1 所示，所示结果是网络模型进行融合后的数值。

首先，比较YOLOv8n和FasterC2f-YOLOv8n模型，使用FasterC2f模块代替C2f模块后得到如下提升：检测精度mAP50提升1.8%，运算量GFLOPs降低19.54%，参数量Parameters/M降低22.22%。从对比结果中可以看出，FasterC2f模块相较于C2f模块能够提升一定的检测精度，最重要的作用的能够大幅降低模型参数和运算量。

其次，比较YOLOv8n和LSCD-YOLOv8n模型，使用LSCD检测头后得到如下提升：检测精度mAP50提升3.3%，运算量GFLOPs降低24.14%，模型层数Layers降低6.55%，参数量Parameters/M降低24.76%。从对比结果中可以看出，LSCD检测头相较于YOLOv8原始的检测头能够有效地提供检测精度，并且能够更大幅度地降低模型参数和运算量。

最后，综合比较四种模型，可以看出同时使用FasterC2f模块和LSCD检测头的FasterC2f-LSCD-YOLOv8n模型在多个方面都占据最优( 表1 中，★表示在某方面性能对比中最优的模型)。FasterC2f-LSCD-YOLOv8n模型在检测精度mAP50、模型参数Parameters/M和运算量GFLOPs方面都是最优。在FPS方面，原始的YOLOv8占据最优，说明本文所做的改进并不能提高模型的推理速度，但可以接受的是各模型推理速度相差不多，即最大差值为3.10% (96.7→93.7)。

在测试集上，验证本文所提算法的火灾检测能力。 图7 显示的是本文所提算法在测试集上的火灾检测情况。从 图7 中可以看到，对于不同场景下(公路、森林、家里、工厂)的火灾，本文所提算法都能准确地检测出来，对于同一场景下的多个火灾目标(如 图7 第二行第三列的子图)都能准确识别，对于一些小目标(如 图7 第三行第二列的子图)也能够准确地识别。综合来看，本文所提算法虽然大幅度地降低了原始YOLOv8算法的复杂度，实现了轻量化的设计，但依然保留了较高的检测精度，针对不同场景下的多个不同尺寸的火灾目标都能实现精准检测。