YOLO26m — Deteksi Api (Fire Detection)

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

Ringkasan

Properti	Nilai
Arsitektur	YOLO26m (Ultralytics)
Tugas	Deteksi objek (detect)
Kelas	fire (1 kelas)
Ukuran input	640 × 640
Checkpoint	best.pt (terbaik), last.pt (epoch terakhir)
Framework	Ultralytics 8.4.149, PyTorch 2.7.1+cu118
GPU training	NVIDIA GTX 1070 Ti (8 GB)
Lisensi	AGPL-3.0

Dataset

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

Split	Jumlah gambar	Proporsi
Train	26.697	80,2%
Valid	3.279	9,9%
Test	3.298	9,9%
Total	33.274	100%

Sumber dataset:

Dataset	Sumber	Lisensi
Fire_Detection	firedetection-sserj/fire_detection-uhbdr	CC BY 4.0
Small fire	chouuuu-nguyn-zsd7w/small-fire-lwvjg	Public Domain
fire-small	finaldataset-vf047/fire-small	CC BY 4.0
small fire labeling	bhagyesh/small-fire-labeling-yusde	CC BY 4.0

Konfigurasi Training

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

Parameter	Nilai
Epoch	100 (selesai penuh)
Batch size	4
Image size	640
Optimizer	SGD
Learning rate awal (lr0)	0.01
Momentum	0.937
Weight decay	0.0005
Warmup epochs	3.0
Patience (early stopping)	30
Close mosaic	10 epoch terakhir
AMP (mixed precision)	Nonaktif
Seed	0 (deterministik)
Augmentasi	Mosaic, HSV (h=0.015, s=0.7, v=0.4), translate=0.1, scale=0.5, fliplr=0.5
Durasi training	± 377.895 detik (≈ 105 jam / 4,4 hari)

Hasil

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

Metrik	Nilai
Precision (B)	0.815
Recall (B)	0.740
mAP@50	0.786
mAP@50-95	0.463

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.