FlameDetect Pro

基于 Electron、FastAPI 与 Ultralytics YOLO 的火焰检测桌面应用，支持单张与批量图片检测、视频和摄像头实时监控、告警汇总、检测报告、历史记录及 YOLO 模型管理。提供完整 Windows CUDA 安装包，适用于本地部署、算法验证与火焰识别测试。

当前版本：v2.0.2

GitHub 仓库简介：FlameDetect Pro 是一款基于 YOLO 的火焰检测桌面应用，支持单张与批量图片检测、视频/摄像头实时监控、告警汇总、检测报告、历史记录与模型管理，并提供 Windows CUDA 安装包。

功能

• 图片检测：上传 JPG、JPEG、PNG、BMP 或 TIFF 图片，查看检测框、火焰数量、置信度和推理耗时。
• 视频监控：读取本地视频或摄像头画面，按可调检测间隔进行实时检测，支持暂停、截图和检测趋势查看。
• 历史记录：保存图片检测结果，支持查看详情、清空记录以及导出 JPG 图片或 JSON 数据。
• 模型管理：扫描、上传和切换 YOLO 模型，支持 .pt、.onnx、.pth 和 .weights 格式。
• 运行状态：查看当前模型、推理次数、设备类型、系统资源和缓存状态。
• 桌面应用体验：Electron 负责窗口和媒体处理，应用启动时自动拉起本地 FastAPI 后端。

技术栈

• Electron 28
• FastAPI + Uvicorn
• Ultralytics YOLO
• OpenCV、NumPy、PyTorch
• Chart.js
• FFmpeg（由 ffmpeg-static 提供）

运行环境

• Node.js 18 或更高版本
• Python 3.9 或更高版本（仅从 Python 源码启动后端时需要）
• Windows、macOS 或 Linux
• 若使用 CUDA 推理，需要安装与本机驱动匹配的 PyTorch CUDA 版本

快速开始

方式一：启动桌面应用

在项目根目录执行：

npm install
npm start

Windows 也可以双击 start_app.bat 启动。发布时请使用 npm run build:win，Electron 会生成 Windows 安装包。目标电脑需要准备 Python 和后端依赖。

如需将 Electron 主程序和 CUDA 后端放进一个安装包，请执行 npm run build:win:single。该命令使用 Inno Setup 生成 dist/FlameDetect-Pro-CUDA-Setup-2.0.2.exe，后端采用目录模式，避免启动时重复解压大型 CUDA 运行时。目标电脑不需要安装 Python，但需要兼容的 NVIDIA 驱动。

方式二：单独启动后端

确保已准备好 Python 依赖后执行：

python start_backend.py

后端默认地址为 http://localhost:8000，FastAPI 交互式文档为 http://localhost:8000/docs。

仓库当前未提供 requirements.txt。如果使用源码方式运行后端，请根据 main.py 中的导入安装对应依赖，或使用项目已有的 Python 虚拟环境。直接使用已构建的 backend.exe 时不需要单独安装 Python。

模型使用

1. 将训练好的模型放入 models/，或在应用的“模型管理”页面上传。
2. 支持的模型扩展名：.pt、.onnx、.pth、.weights。
3. 模型文件需要大于 1 MB 才会被扫描为可用模型。
4. 首次启动如果没有可用模型，检测接口会提示“模型未加载”，请先上传并加载模型。

默认模型会按以下顺序尝试查找：数据目录中的模型、项目 models/ 目录，以及应用内置的常见模型路径。实际使用时建议将模型放入应用数据目录，或通过界面上传。

配置

后端支持以下环境变量：

变量	默认值	说明
FLAME_DETECT_DATA_DIR	./data	上传文件、模型、报告、日志和历史记录的根目录
FLAME_DETECT_PORT	8000	FastAPI 服务端口

例如：

set FLAME_DETECT_DATA_DIR=D:\\FlameDetectData
set FLAME_DETECT_PORT=8001
python main.py

Electron 启动的后端会自动使用当前用户数据目录下的 flame-detect-data，不会把运行时数据写入安装包本身。

数据目录

开发模式下默认目录结构如下：

data/
├─ history/     # 历史检测图片
├─ logs/        # 日志
├─ models/      # 模型文件
├─ reports/     # 检测报告
└─ uploads/     # 上传文件

图片上传大小上限为 50 MB，模型上传大小上限为 500 MB。应用内历史记录还会使用浏览器本地存储保存索引信息。

常用 API

方法	路径	用途
GET	/health	健康检查和当前运行状态
POST	/predict	上传图片或视频帧并执行检测
GET	/models/list	获取可用模型列表
POST	/upload_model	上传并加载模型
POST	/load_model	加载指定模型
POST	/load_default	加载默认模型
GET	/model_info	获取当前模型信息
GET	/stats	获取推理统计
POST	/cache/clear	清空推理缓存
GET	/docs	查看完整 OpenAPI 文档

/predict 支持 conf_threshold（0 到 1，默认 0.25）和 return_image 参数；后者开启时会返回标注后的图片数据。

构建安装包

npm run build

按平台构建：

npm run build:win
npm run build:mac
npm run build:linux

构建产物输出到 dist/。Windows 安装包使用 NSIS，应用名称为 FlameDetect Pro。

GitHub Releases 与 Packages

仓库提供 GitHub Actions 工作流，可将 FastAPI/YOLO 后端构建并发布到 GitHub Container Registry（GHCR）：

ghcr.io/figure247/flame-detect-app:v2.0.2

• GitHub Releases：推送 v* 格式的 Git 标签后，GitHub Actions 会自动创建 Release 并生成更新说明。
• GitHub Packages：推送 v* 格式的 Git 标签后，GitHub Actions 会自动构建并发布容器镜像。
• 安装方式：

docker run --rm -p 8000:8000 -v flame-detect-data:/app/data ghcr.io/figure247/flame-detect-app:v2.0.2

模型文件请放入挂载数据卷的 models/ 目录，后端启动后可通过 http://localhost:8000/docs 查看 API 文档。首次发布后，如需公开访问，需在 GitHub Packages 页面将该容器包设置为 Public。

项目结构

main.js          # Electron 主进程，负责窗口、后端进程和媒体转换
preload.js       # Electron 安全预加载桥接
index.html       # 前端界面
main.py          # FastAPI 服务和 YOLO 推理逻辑
start_backend.py # 单独启动后端的开发脚本
start_app.bat    # Windows 启动脚本
assets/          # 应用图标等资源
models/          # 开发环境模型目录
data/            # 运行时数据目录

许可证

本项目使用 MIT License。依赖项的许可证以各自上游项目声明为准。