Fire

YOLO26m — Deteksi Api (Fire Detection)

Model YOLO26m hasil fine-tuning untuk deteksi api pada gambar, dengan satu kelas: fire.

Ringkasan

Dataset

Dataset gabungan dari beberapa dataset deteksi api di Roboflow Universe, dengan total 33.274 gambar dan anotasi bounding box satu kelas fire:

Sumber dataset:

Konfigurasi Training

Konfigurasi lengkap tersedia di args.yaml. Ringkasan hyperparameter utama:

Hasil

Metrik evaluasi pada split validasi, epoch terakhir (100) — sekaligus epoch terbaik:

Kurva per metrik:

Confusion matrix:

Contoh Penggunaan

Python (Ultralytics)

from ultralytics import YOLO

# muat langsung dari Hugging Face Hub
model = YOLO("https://huggingface.co/FauziRahmatRamadhan/Fire/resolve/main/best.pt")

results = model.predict("contoh_gambar.jpg", conf=0.25, iou=0.7, imgsz=640)

for r in results:
    for box in r.boxes:
        kelas = model.names[int(box.cls)]
        skor = float(box.conf)
        print(f"{kelas}: {skor:.2f} @ {box.xyxy.tolist()}")

CLI

yolo detect predict \
  model=https://huggingface.co/FauziRahmatRamadhan/Fire/resolve/main/best.pt \
  source=contoh_gambar.jpg imgsz=640 conf=0.25

Download dengan hf CLI

hf download FauziRahmatRamadhan/Fire best.pt --local-dir .

Catatan: model ini hanya mendeteksi satu kelas (fire). Untuk kasus penggunaan kritis (misalnya sistem peringatan dini kebakaran), gunakan dengan pengawasan manusia dan pengujian tambahan pada data domain Anda.

Struktur File Repo

├── best.pt                        # checkpoint terbaik (epoch 100)
├── last.pt                        # checkpoint epoch terakhir
├── README.md                      # model card ini
├── args.yaml                      # konfigurasi training lengkap
├── results.csv                    # metrik per epoch
├── results.png                    # kurva loss & metrik
├── BoxF1_curve.png                # kurva F1 per confidence
├── BoxPR_curve.png                # kurva precision-recall
├── BoxP_curve.png                 # kurva precision per confidence
├── BoxR_curve.png                 # kurva recall per confidence
├── confusion_matrix.png           # confusion matrix (absolut)
├── confusion_matrix_normalized.png# confusion matrix (normalisasi)
├── labels.jpg                     # distribusi label dataset
├── train_batch*.jpg               # contoh batch training
└── val_batch*_{labels,pred}.jpg   # contoh prediksi pada validasi

Sitasi

Jika model ini bermanfaat, silakan merujuk ke repo ini:

@misc{fauzirahmatramadhan_fire_yolo26m,
  author       = {Fauzi Rahmat Ramadhan},
  title        = {YOLO26m Fire Detection},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/FauziRahmatRamadhan/Fire}},
}

Terima kasih kepada Ultralytics atas YOLO26 dan kepada para penyedia dataset di Roboflow Universe.