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

1

1

1

**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：

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：

🚀 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 yolov8m）model=YOLO('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）results=model.train(data='garbage_dataset/data.yaml',epochs=150,# 建议 ≥100 轮imgsz=1280,# 关键！提升小目标检测（如烟头、拉环）batch=16,# 根据 GPU 显存调整（1280 尺寸下 batch=16 需 ~16GB 显存）name='garbage_yolov8s_1280',device=0,# 使用 GPUworkers=8,patience=30,# 早停耐心值save=True,exist_ok=True,# 数据增强（YOLOv8 默认已较强，可进一步强化）augment=True,hsv_h=0.015,# 色调增强hsv_s=0.7,# 饱和度hsv_v=0.4,# 亮度degrees=10.0,# 旋转translate=0.1,# 平移scale=0.5,# 缩放（允许更大缩放以生成小目标）shear=2.0,perspective=0.001,flipud=0.0,# 垃圾通常无上下颠倒，关闭fliplr=0.5,# 左右翻转mosaic=1.0,# 启用 Mosaic（强烈推荐）mixup=0.1,# MixUp 增强copy_paste=0.3# 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imgsz=960或640
• 减小batch=8
• 关闭copy_paste（最耗显存）

🔍 五、推理与评估

1. 单图推理

fromultralyticsimportYOLO model=YOLO('runs/detect/garbage_yolov8s_1280/weights/best.pt')results=model('test.jpg',conf=0.3)# 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 mAP

metrics=model.val(data='garbage_dataset/data.yaml',imgsz=1280)print(f"mAP50-95:{metrics.box.map:.4f}")print(f"mAP50:{metrics.box.map50:.4f}")

📊 六、预期效果与调优建议

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（TTA）：

  results=model('test.jpg',augment=True)# 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 + imgsz=1280
• 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。

、