EFA-YOLO：高效轻量级火灾检测模型，参数减少94.6%，速度提升88倍

EFA-YOLO：高效轻量级火灾检测模型，参数减少94.6%，速度提升88倍

火灾是人类社会和生态环境面临的重要威胁。随着智慧城市和物联网技术的发展，基于深度学习的火灾检测系统逐渐成为应对火灾的关键手段。本文介绍了一种高效轻量级的火焰检测模型EFA-YOLO，通过创新的EAConv和EADown模块，在保持高检测精度的同时大幅减少了模型参数和计算量，为火灾检测提供了新的解决方案。

研究背景

近年来，随着城市化和工业化的加速，建筑结构的复杂性和人口密集度逐渐增加，火灾的频率和危害也在逐年上升。根据国际消防组织（IFPO）的统计数据，每年全球发生数百万起火灾事故，导致大量的人员伤亡和财产损失，同时对生态环境造成了不可逆转的破坏。

传统的火警检测技术依赖于烟雾传感器和温度报警器等设备，但在开放空间、户外环境或火灾初期的反应效率和精确度往往受到限制。因此，开发基于视觉的智能火警检测系统具有重要的实际意义。

EFA-YOLO模型创新点

为了解决现有火灾检测模型在复杂环境中的检测准确性和实时性能方面存在的问题，作者提出了两个关键模块：EAConv（Efficient Attention Convolution）和EADown（Efficient Attention Downsampling）。

• EAConv模块：通过将高效注意力机制与深层分离卷积相结合，显著提高了特征提取效率。
• EADown模块：通过利用空间和通道注意力机制以及池化操作，增强了特征下采样准确性和效率。

基于这两个模块，作者设计了EFA-YOLO（Efficient Feature Attention YOLO）模型。实验结果显示，EFA-YOLO具有仅为1.4M的模型参数量，4.6 GFLOPs的计算量，和CPU上每张图像的推理时间仅为22.19 ms。

实验结果

与现有主流模型（如YOLOv5、YOLOv8、YOLOv9和YOLOv10）相比，EFA-YOLO在检测准确率（mAP）和推理速度方面显著提高了约94.6%的检测准确率和约88倍的推理速度提升。

图4：数据集样本的部分显示。

图5：比较实验模型的检测结果。

消融实验

消融实验进一步验证了EAConv和EADown模块的有效性。当同时引入这两个模块时，模型的精度提高了0.5%，召回率提高了3.5%，mAP50提高了0.8%，同时模型参数数量减少了94.6%，计算复杂度降低了92.8%。

总结与展望

EFA-YOLO模型在火灾检测任务中表现出色，但仍有改进空间。未来的工作将通过引入局部信息感知、优化多尺度特征融合策略和引入时间信息等方式，进一步提高模型在复杂场景下的检测性能。