1. 项目背景与数据集价值
在工业自动化与环保领域,废料传送带上的实时垃圾分类一直是个技术难点。传统人工分拣方式效率低下且成本高昂,而基于计算机视觉的自动化分拣系统正逐渐成为主流解决方案。这个包含1476张图像、标注为VOC+YOLO双格式的垃圾分类数据集,正是为训练高精度目标检测模型而设计的专业资源。
我曾参与过多个垃圾分拣工厂的智能化改造项目,实测发现传送带场景的物体检测有三大特殊挑战:1) 物体常以堆叠、遮挡形态出现;2) 传送带移动导致图像模糊;3) 不同光照条件下垃圾表面反光差异大。这个数据集的价值在于,它专门针对这些工业场景痛点进行了数据采集和标注。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集核心构成解析
2.1 数据采集与类别设计
数据集包含5个经过精心设计的垃圾类别:
- 可回收物(如PET瓶、金属罐)
- 厨余垃圾(食物残渣、腐烂果蔬)
- 有害垃圾(电池、灯管)
- 其他垃圾(污染纸张、复合材质)
- 大件异物(不应出现在传送带上的物体)
每个类别都考虑了工业场景中的实际分拣需求。例如将"大件异物"单独分类,是因为在实际产线中,混入的扳手、手套等物品可能损坏分拣设备,需要优先检出。
2.2 标注细节与质量控制
数据集采用双重标注格式:
- VOC格式:包含完整的XML标注文件,记录每个物体的精确边界框和类别信息。这种格式的优势在于保留完整的元数据,适合需要详细分析的研究。
- YOLO格式:采用归一化坐标的txt文件,直接适配主流检测框架。实测在YOLOv5/v8训练中,这种格式的加载速度比VOC快30%以上。
我们在标注过程中实施了严格的质量控制:
- 对遮挡超过50%的物体仍进行标注(工业场景常见情况)
- 对反光强烈的金属表面做了特殊标注说明
- 每个图像都经过三位标注员的交叉校验
3. 数据分布与场景覆盖
3.1 数据量统计
| 类别 | 训练集 | 验证集 | 测试集 | 合计 |
|---|---|---|---|---|
| 可回收物 | 412 | 118 | 59 | 589 |
| 厨余垃圾 | 287 | 82 | 41 | 410 |
| 有 |
