深度学习框架YOLOV8模型如何训练无人机建筑垃圾检测数据集 建立基于深度学习框架YOLO8建筑垃圾检测系统 建筑废弃物
CDW materials 建筑废弃物材料数据集说明
数据集核心信息表
| 项目 | 详情 |
|---|---|
| 类别数量及中文名称 | 1 类（建筑废弃物材料） |
| 数据数量 | 2200（图像总数），其中训练集 1500、验证集 400、测试集 200 |
| 数据集格式种类 | YOLO 格式 |
| 最重要的应用价值 | 为建筑领域目标检测任务提供数据支撑，助力建筑废弃物识别与分类，推动建筑垃圾分类处理自动化、智能化发展，提升建筑废弃物回收利用效率，减少资源浪费 |
数据三要素概述
一、类别
该数据集类别单一，仅包含建筑废弃物材料这一类目标。
聚焦于建筑废弃物材料这一特定对象，便于针对该类目标开展专项的目标检测模型训练与优化。
二、数量
数据集整体规模达 2200 张图像，具备一定的数据量基础，能为模型训练提供充足的数据样本。
数据划分合理，训练集 1500 张可满足模型学习特征的需求，验证集 400 张可用于模型参数调整与性能验证，测试集 200 张能有效评估模型在未知数据上的泛化能力。
三、应用价值
在建筑行业自动化领域，可支撑相关目标检测模型开发，实现建筑废弃物的自动识别，为后续的分类处理提供技术基础。
有助于提升建筑废弃物回收利用效率，减少人工识别分类的成本与误差，推动建筑行业绿色、可持续发展。
为建筑废弃物管理相关的算法研究提供数据支持，促进该领域技术创新与发展。
1
11
CDW materials 建筑废弃物材料数据集说明
**
数据集核心信息表
项目
详情
类别数量及中文名称
1 类（建筑废弃物材料）
数据数量
2200（图像总数），其中训练集 1500、验证集 400、测试集 200
数据集格式种类
YOLO 格式
最重要的应用价值
为建筑领域目标检测任务提供数据支撑，助力建筑废弃物识别与分类，推动建筑垃圾分类处理自动化、智能化发展，提升建筑废弃物回收利用效率，减少资源浪费
数据三要素概述
一、类别
该数据集类别单一，仅包含建筑废弃物材料这一类目标。
聚焦于建筑废弃物材料这一特定对象，便于针对该类目标开展专项的目标检测模型训练与优化。
二、数量
数据集整体规模达 2200 张图像，具备一定的数据量基础，能为模型训练提供充足的数据样本。
数据划分合理，训练集 1500 张可满足模型学习特征的需求，验证集 400 张可用于模型参数调整与性能验证，测试集 200 张能有效评估模型在未知数据上的泛化能力。
三、应用价值
在建筑行业自动化领域，可支撑相关目标检测模型开发，实现建筑废弃物的自动识别，为后续的分类处理提供技术基础。
有助于提升建筑废弃物回收利用效率，减少人工识别分类的成本与误差，推动建筑行业绿色、可持续发展。
为建筑废弃物管理相关的算法研究提供数据支持，促进该领域技术创新与发展。
YOLOv8 训练 CDW materials 建筑废弃物材料数据集代码
**
一、环境准备
首先需安装必要的依赖库，确保训练环境正常运行，执行以下命令：
安装 ultralytics（YOLOv8 官方库）
pip install ultralytics
安装数据处理与可视化依赖
pip install numpy pandas matplotlib opencv-python
二、数据配置文件编写
在数据集根目录下创建 data.yaml 文件，配置数据集路径与类别信息（需根据实际文件路径修改 train/val/test 路径）：
data.yaml
train: ./CDW_materials/train # 训练集图像文件夹路径
val: ./CDW_materials/valid # 验证集图像文件夹路径
test: ./CDW_materials/test # 测试集图像文件夹路径
nc: 1 # 类别数量（建筑废弃物材料为1类）
names: [‘建筑废弃物材料’] # 类别名称
三、YOLOv8 训练代码
创建 train_cdw.py 文件，编写训练逻辑，支持自定义训练参数：
from ultralytics import YOLO
import os
1. 加载 YOLOv8 模型（可选 yolov8n/yolov8s/yolov8m 等模型，n为轻量型，m为中型）
model = YOLO(‘yolov8n.pt’) # 加载预训练模型，加速训练
2. 定义训练参数并启动训练
train_results = model.train(
data=‘./data.yaml’, # 数据配置文件路径
epochs=50, # 训练轮次（可根据需求调整，建议30-100）
imgsz=640, # 输入图像尺寸（YOLOv8 默认640，可适配数据集调整）
batch=16, # 批次大小（根据GPU显存调整，显存不足可设8或4）
device=0, # 训练设备（0为GPU，-1为CPU）
project=‘CDW_train’, # 训练项目保存目录
name=‘yolov8_cdw’, # 训练任务名称
pretrained=True, # 使用预训练权重
optimizer=‘Adam’, # 优化器（可选 Adam/SGD，Adam 收敛更快）
lr0=0.001, # 初始学习率
lrf=0.01, # 最终学习率（lr0 * lrf）
patience=10, # 早停机制：验证集性能10轮无提升则停止训练
save=True, # 保存训练过程中的最佳模型
verbose=True # 打印训练日志
)
3. 模型验证（训练完成后自动验证，也可手动执行）
val_results = model.val(
data=‘./data.yaml’, # 数据配置文件路径
imgsz=640,
batch=16,
device=0,
save_json=True, # 保存验证结果为JSON文件（便于后续分析）
save_txt=True # 保存预测结果为TXT文件（可选）
)
4. 模型保存与导出（训练完成后自动保存最佳模型，可手动导出为其他格式）
导出为 ONNX 格式（便于部署到其他平台）
model.export(format=‘onnx’, imgsz=640)
print(f"最佳模型保存路径：{model.best}“)
print(f"ONNX 模型导出路径：{model.export_path}”)
四、代码使用说明
数据集路径配置：确保 data.yaml 中的 train/val/test 路径与实际数据集文件夹路径一致，数据集需符合 YOLO 格式（图像文件与标签文件分别放在对应文件夹下，标签文件为 .txt 格式）。
参数调整建议：
若 GPU 显存较小（如 4GB 以下），可将 batch 调整为 4 或 8，imgsz 调整为 480。
若训练集损失下降缓慢，可适当提高 lr0（如 0.002）；若出现过拟合，可减少 epochs 或增加数据增强（在 model.train() 中添加 augment=True）。
训练日志查看：训练过程中会在 CDW_train/yolov8_cdw 目录下生成 results.csv（训练指标日志）和 events.out.tfevents（TensorBoard 日志），可通过 TensorBoard 查看实时训练曲线：
tensorboard --logdir=CDW_train/yolov8_cdw
模型验证结果：验证完成后会输出 mAP@0.5、mAP@0.5:0.95 等关键指标，可根据指标判断模型性能（若 mAP 较低，可增加训练轮次或优化数据集标注质量）。