La detección temprana de incendios es clave para salvar vidas y limitar los daños materiales. La tecnología avanzada puede detectar incendios en zonas de alto riesgo con mínima presencia humana antes de que se salgan de control. Este estudio se centra en proporcionar una estructura de modelo más avanzada basada en la arquitectura YOLOv8 para mejorar el reconocimiento temprano de incendios. Aunque YOLOv8 es excelente en la detección de objetos en tiempo real, aún puede ajustarse mejor a los matices de la detección de incendios. Logramos este avance incorporando una capa adicional de contexto a flujo, lo que permite que el modelo YOLOv8 capture de manera más efectiva información contextual local y global. La capa de contexto a flujo mejora la capacidad del modelo para reconocer patrones complejos como humo y llamas, lo que conduce a una extracción de características más efectiva. Esta capa adicional ayuda al modelo a detectar mejor incendios y humo al mejorar su capacidad para enfocarse en detalles finos y variaciones menores, lo cual es crucial en entornos desafiantes con baja visibilidad, comportamiento dinámico del fuego y fondos complejos. Nuestro modelo propuesto logró una tasa de precisión un 2,9% mayor, una tasa de recuperación un 4,7% mayor y un 4% más de puntuación F1 en comparación con el modelo predeterminado de YOLOv8. Este estudio descubrió que la modificación de la arquitectura aumenta el flujo de información y mejora la detección de incendios en todos los tamaños, desde chispas pequeñas hasta llamas masivas. También incluimos estrategias de IA explicables para explicar la toma de decisiones del modelo, añadiendo así más transparencia y mejorando la confianza en sus predicciones. En última instancia, este sistema mejorado demuestra una eficacia y precisión notables, lo que permite mejoras adicionales en los sistemas autónomos de detección de incendios.