Los incendios forestales son una preocupación ecológica seria, y el humo es un indicador de advertencia temprana. Las imágenes de humo tempranas apenas capturan una pequeña porción del humo total. Debido a la naturaleza irregular de la dispersión del humo y la dinámica del entorno circundante, la identificación del humo se complica por rasgos menores basados en píxeles. Este estudio presenta un nuevo marco que disminuye la sensibilidad de varios modelos de detección YOLO. Además, comparamos el rendimiento de detección y la velocidad de diferentes modelos de YOLO como YOLOv3, YOLOv5 y YOLOv7 con los anteriores como Fast R-CNN y Faster R-CNN. Además, seguimos el uso de un conjunto de datos recopilado que describe tres áreas de detección distintas, a saber, cerca, media y a larga distancia, para identificar la capacidad del modelo de detección para reconocer correctamente los objetivos de humo. Nuestro modelo supera el método de detección estándar en un conjunto de datos multi-orientado para detectar humo forestal con una precisión mAP del 96.8% a un IoU de 0.5 utilizando YOLOv5x. Además, los hallazgos del estudio muestran una mejora extensa en la precisión de detección utilizando varias técnicas de aumento de datos. Además, YOLOv7 supera a YOLOv3 con una precisión mAP del 95%, en comparación con el 94.8% utilizando un optimizador SGD. Investigaciones extensas muestran que el método sugerido logra resultados significativamente mejores que los algoritmos de detección de objetos más avanzados cuando se utiliza en conjuntos de datos de humo de incendios forestales, manteniendo un nivel de rendimiento satisfactorio en condiciones ambientales desafiantes.