智能垃圾分类系统：YOLO+DeepSeek全栈开发实践

1. 项目概述与技术选型

这个毕业设计选题融合了当前最热门的计算机视觉、大模型和全栈开发技术，为智能垃圾分类场景提供了完整的解决方案。项目采用YOLO实现垃圾检测，DeepSeek增强语义理解能力，通过Pytorch构建深度学习模型，最后用SpringBoot+Flask+Vue搭建前后端系统。这种技术组合既体现了学术前沿性，又具备工程落地价值。

在实际开发中，我们面临几个关键决策点：首先，YOLO版本的选择（v5/v7/v8）直接影响检测精度和速度；其次，DeepSeek的接入方式（API调用或本地部署）关系到系统响应时间和成本；最后，技术栈的搭配（SpringBoot与Flask的分工）决定了系统架构的合理性。经过多次技术验证，我们最终确定了以下方案：

• 视觉层：YOLOv5s（轻量级模型）+ DeepSeek-v4-pro（API调用）
• 算法框架：Pytorch 1.12 + CUDA 11.3
• 后端服务：SpringBoot 2.7（核心业务） + Flask 2.0（模型服务）
• 前端展示：Vue 3 + Element Plus

提示：YOLOv5s虽然参数量较小（7.2M），但在垃圾分类场景下mAP@0.5能达到82.3%，推理速度在RTX 3060上可达140FPS，非常适合实时检测需求。

2. 核心模块实现细节

2.1 智能检测模块设计

垃圾检测采用改进的YOLOv5架构，主要优化点包括：

1. 输入预处理：

python复制# 自适应图像填充（保持长宽比）
def auto_pad(image, size=640):
    h, w = image.shape[:2]
    ratio = min(size / h, size / w)
    new_h, new_w = int(h * ratio), int(w * ratio)
    top = (size - new_h) // 2
    bottom = size - new_h - top
    left = (size - new_w) // 2
    right = size - new_w - left
    return cv2.copyMakeBorder(
        cv2.resize(image, (new_w, new_h)), 
        top, bottom, left, right, 
        cv2.BORDER_CONSTANT, value=(114, 114, 114)
    )

2. 模型结构调整：

• 将Focus层替换为Conv+BN+SiLU组合
• 在Neck部分添加CBAM注意力模块
• 输出头采用解耦式设计（分类与回归分支分离）

3. 数据增强策略：

• Mosaic（四图拼接）
• MixUp（图像混合）
• HSV色彩空间扰动