垃圾分类检测数据集-15,000 张图片 智能垃圾分类 回收站与环保设施自动化 公共区域清洁监测 环保机器人 水域与自然环境垃圾监测

📦 已发布目标检测数据集合集（持续更新）

📌 每篇文章附带模型指标、训练思路与推理部署建议，欢迎点赞收藏支持~

♻ 垃圾分类检测数据集介绍

📌 数据集概览

本项目是WasteAI团队构建的多类别垃圾目标检测数据集，共包含约 15,000 张图像，主要用于训练深度学习模型在不同场景中精准识别和分类各类垃圾（如纸板、玻璃、金属、纸张、塑料等）。

• 图像数量：15,000 张
• 类别数：5 类
• 适用任务：目标检测（Object Detection）
• 适配模型：YOLOv5、YOLOv8、Faster R-CNN、SSD 等主流框架
• 性能指标：
  • mAP@50：90.3%
  • Precision：89.8%
  • Recall：85.4%

包含类别

数据集覆盖生活中常见的五大垃圾类型，支持智能垃圾分类系统与环保监测的模型训练。

🎯 应用场景

该数据集适用于以下主要场景与研究方向：

• 智能垃圾分类
  自动识别不同类别垃圾，提升垃圾分类效率与准确率。

• 回收站与环保设施自动化
  辅助回收系统自动分拣，提高再利用率。

• 公共区域清洁监测
  城市街道、校园、景区等公共区域垃圾自动识别与清洁调度。

• 环保机器人
  为自动拾取垃圾的机器人提供视觉识别能力。

• 水域与自然环境垃圾监测
  识别漂浮物与自然环境中的污染物，支持环保执法与治理。

🖼 数据样本展示

以下展示部分数据集内的样本图片（均带有目标检测框）：

数据集特点：

• 多场景：室内、户外、垃圾桶、回收站等多种背景
• 多角度：俯视、平视、倾斜等多视角拍摄
• 多光照：自然光、室内灯光、昏暗环境等
• 多样化目标尺寸：从小型包装到大型纸板箱
• 复杂背景干扰：重叠、遮挡、多目标混合场景

🔧 使用建议

1. 数据预处理

   • 图像尺寸统一（推荐640x640或832x832）
   • 光照归一化处理，减少光线差异影响
   • 数据增强：翻转、旋转、颜色抖动等

2. 模型训练

   • 使用COCO预训练权重进行迁移学习
   • 多尺度训练提升对不同尺寸垃圾的检测能力
   • 针对小目标优化anchor配置

3. 部署优化

   • 模型轻量化以支持边缘设备
   • 推理速度优化，满足实时检测需求
   • 低功耗部署以延长设备续航

🌟 数据集特色

• 高精度标注：确保检测框精准匹配目标
• 覆盖全面：五大垃圾类别全覆盖
• 场景丰富：多光照、多背景、多目标
• 性能优异：mAP@50 达 90.3%
• 应用广泛：可用于城市、乡村、工业等多种环境

📈 商业价值

该数据集在以下领域具有重要商业价值：

• 智慧城市：为智能环卫与垃圾分类系统提供核心数据
• 环保科技：支持环保监测与治理
• 机器人制造：为自主导航清洁与回收机器人提供视觉识别能力
• 教育与科研：作为机器学习和计算机视觉研究的高质量训练数据

🔗 技术标签

计算机视觉 目标检测 垃圾分类 塑料检测 金属检测 纸张检测 YOLO 智慧城市 智能环保 边缘计算

注意: 本数据集可用于研究、教育与商业用途，使用时需遵守相关法律法规，确保数据使用符合环保与伦理要求。

YOLOv8 训练实战

本教程介绍如何使用 YOLOv8 对目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。

📦 1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用户使用 yolov8_env\Scripts\activate

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

📁 2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 创建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/val

nc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

🚀 3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train \
  model=yolov8s.pt \
  data=./data.yaml \
  imgsz=640 \
  epochs=50 \
  batch=16 \
  project=weed_detection \
  name=yolov8s_crop_weed

关键参数补充说明：

1. model=yolov8s.pt

   • 使用预训练的 YOLOv8 small 版本（平衡速度与精度）
   • 可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

2. data=./data.yaml

   # 典型 data.yaml 结构示例
   path: ../datasets/weeds
   train: images/train
   val: images/val
   names:
     0: Bent_Insulator
     1: Broken_Insulator_Cap
     2: ...
     3: ...
   

📈 4. 模型验证与测试

4.1 验证模型性能

yolo detect val \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  data=./data.yaml

关键参数详解

1. model=runs/detect/yolov8s_crop_weed/weights/best.pt

   • 使用训练过程中在验证集表现最好的模型权重（best.pt）
   • 替代选项：last.pt（最终epoch的权重）
   • 路径结构说明：

     runs/detect/
     └── [训练任务名称]/
         └── weights/
             ├── best.pt   # 验证指标最优的模型
             └── last.pt   # 最后一个epoch的模型
     

2. data=./data.yaml

   • 必须与训练时使用的配置文件一致
   • 确保验证集路径正确：

     val: images/val  # 验证集图片路径
     names:
       0: crop
       1: weed
     

常用可选参数

典型输出指标

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

4.2 推理测试图像

yolo detect predict \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  source=./datasets/images/val \
  save=True

🧠 5. 自定义推理脚本（Python）

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')

# 推理图像
results = model('test.jpg')

# 可视化并保存结果
results[0].show()
results[0].save(filename='result.jpg')

🛠 6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

🌐 Web API：可用 Flask/FastAPI 搭建检测接口。

📦 边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export model=best.pt format=onnx

📌 总结流程