YOLOv8垃圾分类识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
随着城市化进程加快和生活垃圾产量激增，传统人工分拣方式效率低、成本高，难以满足精准垃圾分类的需求。本文基于YOLOv8目标检测算法，构建了一个四类垃圾分类检测系统，包括可回收垃圾、有害垃圾、厨余垃圾和其他垃圾。模型在包含1910张训练图像和833张验证图像的自建数据集上进行训练与评估。实验结果显示，模型整体mAP@0.5达到0.789，其中厨余垃圾的检测性能最优（mAP≈0.989），而可回收垃圾的识别效果相对较弱（mAP≈0.595）。混淆矩阵分析表明，可回收垃圾与其他垃圾、厨余垃圾之间存在一定程度的误判。训练过程中的损失曲线和精度/召回率曲线显示模型收敛良好，未出现过拟合。该系统在厨余垃圾识别方面表现突出，具备实际部署潜力，但在可回收垃圾的精细分类上仍有优化空间。
引言
垃圾分类是实现资源循环利用和减少环境污染的关键环节。传统的人工分拣方式不仅劳动强度大、效率低，而且长期接触垃圾对分拣人员健康构成威胁。近年来，深度学习和计算机视觉技术的快速发展为目标检测任务提供了高效解决方案，其中YOLO系列算法因其良好的速度与精度平衡，在工业检测、智能监控等场景中得到广泛应用。
本研究旨在设计并实现一个基于YOLOv8的轻量化垃圾分类检测系统，能够自动识别四类常见垃圾：可回收垃圾、有害垃圾、厨余垃圾和其他垃圾。该系统可部署于智能垃圾桶、分拣流水线或社区回收站点，实现垃圾投放的实时引导或自动化分拣。通过对模型训练结果的详细分析，本文评估了模型在多类别垃圾分类任务中的表现，识别了当前模型的优势和薄弱环节，并提出了针对性的改进方向。本文的工作为深度学习在垃圾分类领域的工程化落地提供了有价值的参考。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
整体性能概览编辑编辑编辑
各类别性能分析编辑
混淆矩阵关键发现编辑编辑
训练过程分析编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
随着全球人口增长和消费模式的变化，生活垃圾产生量持续攀升。据相关统计，城市生活垃圾中约30%～50%为可回收资源，但由于缺乏有效的分类手段，大量可回收物与厨余垃圾、有害垃圾混合处理，造成资源浪费和环境污染。特别是厨余垃圾与其他垃圾混杂后，会显著增加焚烧或填埋处理的难度和二次污染风险。有害垃圾如废电池、过期药品等若未得到妥善分离，可能对土壤和水源造成长期危害。
传统垃圾分类依赖人工分拣或居民自觉分类投放，存在分类准确率低、效率低下、参与度不高等问题。近年来，计算机视觉技术的发展为垃圾分类提供了新的技术路径。其中，YOLO系列算法因其端到端的检测能力和实时性能，成为垃圾分类检测领域的研究热点。YOLOv8作为该系列的最新版本之一，进一步优化了骨干网络和损失函数，提升了检测精度和训练稳定性。本研究基于YOLOv8构建垃圾分类检测系统，旨在验证其在真实场景下的分类能力，并为后续的工程化部署提供数据支撑和技术参考。
数据集介绍
本研究所使用的垃圾分类数据集为自建图像数据集，共包含四类垃圾目标，分别为：
可回收垃圾（recyclable waste）
有害垃圾（hazardous waste）
厨余垃圾（kitchen waste）
其他垃圾（other waste）
数据集共包含2743张标注图像，其中：
| 数据集划分 | 图像数量 |
|---|---|
| 训练集 | 1910张 |
| 验证集 | 833张 |
训练过程
训练结果
整体性能概览![]()
![]()
![]()
| 指标 | 数值 |
|---|---|
| mAP@0.5 | 0.789（所有类别平均） |
| 最佳 F1 分数 | 0.71（置信度阈值 0.376） |
| 最佳精度（P） | 1.00（置信度 0.894） |
| 最佳召回率（R） | 0.99（置信度 0.000） |
各类别性能分析![]()
| 类别 | 精确率（约） | 召回率（约） | mAP@0.5 | 主要问题 |
|---|---|---|---|---|
| 可回收垃圾 | 0.55 | 0.55 | 0.595 | 易与厨余、其他垃圾混淆 |
| 有害垃圾 | 0.79 | 0.65 | 0.733 | 部分被误判为其他/可回收 |
| 厨余垃圾 | 0.96 | 0.91 | 0.989 | 表现最优 |
| 其他垃圾 | 0.63 | 0.55 | 0.838 | 易被误判为可回收 |
| 背景 | — | — | — | 误检率较低 |
混淆矩阵关键发现![]()
![]()
可回收垃圾只有55%被正确识别，15%被误判为厨余，9%为有害，4%为其他。
有害垃圾有31%被误判为其他垃圾，11%误判为背景。
厨余垃圾表现极好，96%正确识别。
其他垃圾正确率63%，15%误判为背景。
训练过程分析![]()
| 指标 | 趋势 | 说明 |
|---|---|---|
| train/box_loss | 下降 | 边界框回归收敛良好 |
| train/cls_loss | 下降 | 分类损失稳定下降 |
| val/box_loss | 略高但稳定 | 泛化能力尚可 |
| val/cls_loss | 略高但稳定 | 无明显过拟合 |
| precision(B) | 波动上升 | 最终稳定在 ~0.7 |
| recall(B) | 上升后平稳 | 最终 ~0.6 |
| mAP50(B) | 稳定上升 | 最终 ~0.78 |
| mAP50-95(B) | 缓慢上升 | 最终 ~0.45（定位精度中等） |
训练收敛良好，无过拟合迹象
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：