La detección de humo de incendios forestales basada en aprendizaje profundo ha sido ampliamente estudiada. Etiquetar la imagen de humo es una necesidad al construir conjuntos de datos de detección de objetivos y segmentación semántica. La incertidumbre en la etiquetación de los píxeles de humo de incendios forestales causada por la difusión no uniforme de las partículas de humo afectará la precisión de reconocimiento del modelo de aprendizaje profundo. Para superar la ambigüedad en la etiquetación, se propuso por primera vez en este documento la idea ponderada. Primero, se estableció la relación entre la concentración de píxeles y el valor de gris del humo de incendios forestales en la imagen. Segundo, se construyó y mejoró la función de pérdida del método de segmentación semántica basado en ponderación de concentración; de esta manera, la red podría prestar atención a los píxeles de humo de manera diferente, un esfuerzo para segmentar mejor el humo mediante la ponderación del cálculo de pérdida de los píxeles de humo. Finalmente, basándose en el conjunto de datos establecido de humo de incendios forestales, se realizó la selección de los factores ponderados óptimos a través de experimentos. El mIoU basado en el método ponderado aumentó en un 1,52% en comparación con el método no ponderado. El método ponderado no solo puede aplicarse a la segmentación semántica y detección de objetivos de humo de incendios forestales, sino que también tiene cierta importancia para el reconocimiento de otros objetivos dispersos.