YOLOv5在垃圾分类中的实践与优化

1. 项目概述：当YOLOv5遇上垃圾分类

去年夏天，我在小区垃圾站目睹保洁员徒手分拣混投垃圾的场景后，萌生了开发智能垃圾识别系统的想法。经过三个月的技术选型与迭代，最终基于YOLOv5构建的识别系统在测试集上达到了92.3%的mAP（mean Average Precision），比传统图像处理方法效率提升近20倍。这个系统不仅能识别常见生活垃圾，还能区分可回收物中的细分类别（如PET瓶与玻璃瓶），目前已在本地三个社区试点部署。

2. 核心需求与技术选型

2.1 垃圾分类场景的特殊性

垃圾识别与传统目标检测存在显著差异：

• 形态多样性：同一类垃圾可能呈现完全不同的外观（如压扁的易拉罐vs完整易拉罐）
• 遮挡问题：垃圾袋内物品相互堆叠，平均遮挡率达40%以上
• 光照挑战：垃圾投放点常存在背光、阴影等复杂光照条件

2.2 为什么选择YOLOv5？

对比测试主流检测模型在自建垃圾数据集上的表现：

YOLOv5的优势在于：

1. 端到端优化：从数据增强到后处理的全流程优化
2. 自适应锚框：自动计算适合垃圾形状的anchor boxes
3. 跨阶段特征融合：通过PANet实现多尺度特征融合

实操建议：社区部署推荐YOLOv5m版本，在精度和速度间取得最佳平衡

3. 系统实现关键步骤

3.1 数据准备与标注

自建数据集包含8大类42小类垃圾：

• 数据采集：
  • 实地拍摄2000+张原始图片（覆盖不同时段、天气）
  • 使用LabelImg标注时特别注意部分遮挡物体的完整轮廓标注
• 数据增强策略：

  python复制# albumentations增强配置示例
  transform = A.Compose([
      A.RandomBrightnessContrast(p=0.5),
      A.RandomShadow(p=0.3),
      A.MotionBlur(blur_limit=5, p=0.2),
      A.Rotate(limit=30, p=0.5),
  ], bbox_params=A.BboxParams(format='yolo'))
  

3.2 模型训练技巧

• 自定义anchors计算：

  python复制python utils/autoanchor.py --cfg models/yolov5s.yaml --data data/garbage.yaml
  

• 关键训练参数：

  yaml复制lr0: 0.01  # 初始学习率
  lrf: 0.2   # 最终学习率倍数
  warmup_epochs: 3  # 热身训练轮次
  mixup: 0.15       # 图像混合增强比例
  

3.3 部署优化方案

• TensorRT加速：

  bash复制python export.py --weights runs/train/exp/weights/best.pt --include engine --device 0
  

• 边缘设备适配：
  • 树莓派4B上使用OpenVINO优化后达到9FPS
  • Jetson Nano部署时启用FP16精度模式

4. 典型问题与解决方案

4.1 小物体检测优化

垃圾场景中小物体（如瓶盖、电池）占比达35%，通过以下改进提升检测效果：

1. 修改model.yaml中small层输出尺度

   yaml复制head:
     [[-1, 1, Conv, [256, 1, 1]],
      [-1, 1, nn.Upsample, [None, 2, 'nearest']],
      [[-1, 6], 1, Concat, [1]]]  # 增加浅层特征融合
   

2. 使用K-Means++重新聚类anchors

4.2 遮挡物体处理

采用以下策略提升遮挡情况下的识别率：

• 在损失函数中增加遮挡样本权重

  python复制loss_obj = compute_loss(pred, targets, model)  # 修改后的损失计算
  loss_obj *= (1 + targets[..., 4] * 0.5)  # 遮挡样本权重提升50%
  

• 测试时启用TTA（Test Time Augmentation）

5. 系统扩展与优化方向

当前系统在实际部署中持续收集反馈数据，近期正在尝试：

1. 多模态融合：加入毫米波雷达数据辅助塑料制品识别
2. 动态类别更新：通过半监督学习自动识别新型垃圾
3. 轻量化改进：
   • 使用通道剪枝技术压缩模型
   • 尝试YOLOv5s-MobileNetV3混合架构

训练过程中发现，适当增加旋转增强比例（提升至0.7）能显著改善倾斜垃圾的检测效果。另外在部署阶段，采用动态批处理技术可使GPU利用率从65%提升至82%。