改进训练城市垃圾检测数据集 城市环境卫生管理效率、优化垃圾分类流程开发智能垃圾分类机器人提供数据基础。建立基于深度学习道路垃圾检测系统
改进训练城市垃圾检测数据集 城市环境卫生管理效率、优化垃圾分类流程开发智能垃圾分类机器人提供数据基础。建立基于深度学习道路垃圾检测系统111**yolo-垃圾识别数据集6000张可直接用于目标检测YOLO模型训练18种类别Aluminium foil 铝箔Bottle cap 瓶盖Bottle 瓶子Broken glass 碎玻璃Can 罐头Carton 纸板盒Cigarette 香烟Cup 杯子Lid 盖子Other litter 其他垃圾Other plastic 其他塑料Paper 纸张Plastic bag - wrapper 塑料袋或包装纸Plastic container 塑料容器Pop tab 拉环Straw 吸管Styrofoam piece 泡沫塑料碎片Unlabeled litter 未标记垃圾表格描述数据集属性详情总图像数量6,000 张标注格式YOLO.txt及 YAML 配置文件类别数量18 类具体类别1. Aluminium foil铝箔2. Bottle cap瓶盖3. Bottle瓶子4. Broken glass碎玻璃5. Can罐头6. Carton纸板盒7. Cigarette香烟8. Cup杯子9. Lid盖子10. Other litter其他垃圾11. Other plastic其他塑料12. Paper纸张13. Plastic bag - wrapper塑料袋或包装纸14. Plastic container塑料容器15. Pop tab拉环16. Straw吸管17. Styrofoam piece泡沫塑料碎片18. Unlabeled litter未标记垃圾应用领域环境保护、垃圾分类与回收、智慧城市管理、无人清洁车等示例data.yaml文件内容# data.yamltrain:./images/train# 训练集图像路径val:./images/val# 验证集图像路径nc:18# 类别数量names:[Aluminium_foil,Bottle_cap,Bottle,Broken_glass,Can,Carton,Cigarette,Cup,Lid,Other_litter,Other_plastic,Paper,Plastic_bag_wrapper,Plastic_container,Pop_tab,Straw,Styrofoam_piece,Unlabeled_litter]# 类别名称列表以自动识别和分类不同类型垃圾适用于多种应用场景如提升城市环境卫生管理效率、优化垃圾分类流程、支持环保教育等。此外它还能为开发智能垃圾分类机器人提供数据基础。18类垃圾识别数据集6000张图像含data.yaml的YOLOv8 改进训练方案包含✅ 环境准备✅ 数据集结构说明✅ 使用官方预训练模型 关键改进策略提升小目标、密集垃圾检测性能✅ 完整训练代码Python✅ 推理与评估 一、环境准备# 创建虚拟环境推荐python-mvenv yolov8_garbagesourceyolov8_garbage/bin/activate# Linux/macOS# 或 yolov8_garbage\Scripts\activate # Windows# 安装依赖pipinstallultralytics opencv-python numpy pandas matplotlib 二、数据集目录结构确保符合 YOLO 格式garbage_dataset/ ├── images/ │ ├── train/ # 4800 张左右 │ └── val/ # 1200 张左右 ├── labels/ │ ├── train/ │ └── val/ └── data.yaml # 您已提供✅data.yaml示例确保路径正确path:./garbage_datasettrain:images/trainval:images/valnc:18names:[Aluminium_foil,Bottle_cap,Bottle,Broken_glass,Can,Carton,Cigarette,Cup,Lid,Other_litter,Other_plastic,Paper,Plastic_bag_wrapper,Plastic_container,Pop_tab,Straw,Styrofoam_piece,Unlabeled_litter] 三、YOLOv8 改进策略针对垃圾检测场景垃圾图像常见问题小目标多、遮挡严重、类别不平衡、背景杂乱。我们通过以下方式改进训练效果改进项说明使用 YOLOv8m 或 YOLOv8s小目标检测能力优于 YOLOv8n增大输入尺寸imgsz1280提升小垃圾如拉环、烟头检出率启用 Mosaic Copy-Paste 增强增加小目标密度和多样性调整 anchor-free headYOLOv8 默认无需修改天然适合多尺度使用 EMA Cosine LR提升收敛稳定性YOLOv8 默认开启类别平衡采样可选对少样本类别如 Pop tab过采样 四、改进版 YOLOv8 训练代码Python# train_garbage_yolov8.pyfromultralyticsimportYOLOimportos# 1. 加载更强的预训练模型推荐 yolov8s 或 yolov8mmodelYOLO(yolov8s.pt)# 可替换为 yolov8m.pt 获取更高精度# 2. 高级训练配置针对垃圾检测优化resultsmodel.train(datagarbage_dataset/data.yaml,epochs150,# 建议 ≥100 轮imgsz1280,# 关键提升小目标检测如烟头、拉环batch16,# 根据 GPU 显存调整1280 尺寸下 batch16 需 ~16GB 显存namegarbage_yolov8s_1280,device0,# 使用 GPUworkers8,patience30,# 早停耐心值saveTrue,exist_okTrue,# 数据增强YOLOv8 默认已较强可进一步强化augmentTrue,hsv_h0.015,# 色调增强hsv_s0.7,# 饱和度hsv_v0.4,# 亮度degrees10.0,# 旋转translate0.1,# 平移scale0.5,# 缩放允许更大缩放以生成小目标shear2.0,perspective0.001,flipud0.0,# 垃圾通常无上下颠倒关闭fliplr0.5,# 左右翻转mosaic1.0,# 启用 Mosaic强烈推荐mixup0.1,# MixUp 增强copy_paste0.3# Copy-Paste 增强对小目标极有效)print(✅ 训练完成最佳模型路径,os.path.join(results.save_dir,weights/best.pt))显存不足怎么办降低imgsz960或640减小batch8关闭copy_paste最耗显存 五、推理与评估1. 单图推理fromultralyticsimportYOLO modelYOLO(runs/detect/garbage_yolov8s_1280/weights/best.pt)resultsmodel(test.jpg,conf0.3)# 降低置信度阈值以召回更多小垃圾results[0].show()results[0].save(output.jpg)2. 评估 mAPmetricsmodel.val(datagarbage_dataset/data.yaml,imgsz1280)print(fmAP50-95:{metrics.box.map:.4f})print(fmAP50:{metrics.box.map50:.4f}) 六、预期效果与调优建议指标预期值合理调参后mAP0.5≥ 0.85mAP0.5:0.95≥ 0.60小类别召回率如 Pop tab显著提升得益于 Copy-Paste 大尺寸进一步优化方向类别平衡对样本极少的类别如Pop tab在labels/train/中复制其标注文件进行过采样测试时增强TTAresultsmodel(test.jpg,augmentTrue)# 启用 TTA 提升精度导出 ONNX/TensorRT用于边缘部署如垃圾分类机器人。✅ 总结本方案通过使用YOLOv8s/m imgsz1280启用Copy-Paste 和 Mosaic 增强优化数据增强参数显著提升对小、密集、多样垃圾的检测能力适用于智能垃圾桶、环卫巡检车、环保监测等实际场景。、
】)
)
