1. 项目概述
在智慧城市建设和环保意识日益增强的背景下,基于深度学习的垃圾检测技术正成为提升城市环境卫生管理效率的关键工具。这个项目使用YOLOv8模型对包含18类垃圾的6000张图像数据集进行训练,目标是构建一个能够准确识别和分类各类城市垃圾的智能检测系统。
作为一名长期从事计算机视觉应用开发的工程师,我发现垃圾检测场景有几个显著特点:目标尺寸差异大(从大纸箱到小烟头)、遮挡严重(垃圾经常堆叠)、背景复杂(街道、公园等不同环境)。这些特点使得通用目标检测模型在垃圾检测任务上表现不佳,需要针对性的改进方案。
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. 数据集准备与解析
2.1 数据集结构与特点
垃圾识别数据集包含6000张精心标注的图像,按照标准YOLO格式组织。数据集目录结构如下:
code复制garbage_dataset/
├── images/
│ ├── train/ # 约4800张训练图像
│ └── val/ # 约1200张验证图像
├── labels/
│ ├── train/
│ └── val/
└── data.yaml # 数据集配置文件
数据集覆盖了18类常见城市垃圾,包括:
- 铝箔(Aluminium foil)
- 瓶盖(Bottle cap)
- 瓶子(Bottle)
- 碎玻璃(Broken glass)
- 罐头(Can)
- 纸板盒(Carton)
- 香烟(Cigarette)
- 杯子(Cup)
- 盖子(Lid)
- 其他垃圾(Other litter)
- 其他塑料(Other plastic)
- 纸张(Paper)
- 塑料袋/包装纸(Plastic bag - wrapper)
- 塑料容器(Plastic container)
- 拉环(Pop tab)
- 吸管(Straw)
- 泡沫塑料碎片(Styrofoam piece)
- 未标记垃圾(Unlabeled litter)
2.2 数据配置文件详解
data.yaml文件是YOLO训练的关键配置文件,内容示例如下:
yaml复制path: ./garbage_dataset
train: images/train
val
