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.