1. 项目概述与背景
这个基于YOLOv11的垃圾分类系统是我在指导学弟学妹毕业设计时开发的一个实用项目。随着垃圾分类政策的全面推行，传统人工分类方式已经无法满足实际需求。我在实际调研中发现，社区垃圾分类站点普遍存在两个痛点：一是居民分类准确率不足60%，二是督导员人力成本居高不下。
这个系统最核心的价值在于：用最前沿的YOLOv11算法实现了93.2%的检测准确率，同时保持45FPS的实时处理速度。这意味着它不仅可以部署在垃圾房做自动分拣，还能集成到智能垃圾桶等移动设备上。相比市面上常见的ResNet+OpenCV方案，我们的系统在易拉罐、电池等小物体检测上有着明显优势。
2. 核心技术选型解析
2.1 为什么选择YOLOv11？
在算法选型阶段，我们对比了Faster R-CNN、YOLOv8和YOLOv11三个候选方案。实测数据如下表：
| 算法类型 | mAP@0.5 | FPS | 显存占用 |
|---|---|---|---|
| Faster R-CNN | 89.3% | 12 | 4.2GB |
| YOLOv8 | 91.7% | 38 | 2.8GB |
| YOLOv11 | 93.2% | 45 | 3.1GB |
YOLOv11胜出的关键原因有三点：
- 创新的RepVGG风格主干网络，在保持精度的同时大幅提升推理速度
- 动态标签分配策略让模型更适应多尺度目标
- 改进的损失函数对重叠物体有更好的区分能力
实际部署中发现：在Jetson Xavier NX边缘设备上，YOLOv11的INT8量化版本能达到28FPS，完全满足实时性要求。
2.2 数据处理的关键细节
数据集构建是项目中最耗时的环节。我们收集了超过15,000张垃圾图像，涵盖6大类40小类。有几个经验值得分享：
- 数据增强策略：除了常规的翻转、旋转，我们特别增加了：
python复制transform = A.Compose([ A.RandomShadow(p=0.3), # 模拟不同光照 A.RandomFog(p=0.1), # 处理雾天场景 A.MixUp(p=0.2) # 提升小样本类别识别 ]) - 标注技巧：对于易拉罐等反光物体，采用"标注最明显边缘+添加反射属性标签"的方式，使mAP提升5.6%
3. 系统实现深度剖析
3.1 核心算法改进
3.1.1 动态NMS优化
传统NMS使用固定阈值，导致密集垃圾容易漏检。我们的改进方案：
python复制def dynamic_nms(boxes, scores, iou_thresh):
# 根据目标密度自动调整阈值
density = len(boxes) / (img_w * img_h)
adaptive_thresh = iou_thresh * (1 - 0.5*density)
# 执行标准NMS流程
return torchvision.ops.nms(boxes, scores, adaptive_thresh)
实测显示，在垃圾堆场景下，召回率从82%提升到89%。
3.1.2 注意力机制融合
在neck部分添加CBAM模块：
python复制class CBAM(nn.Module):
def __init__(self, channels):
super().__init__()
self.ca = ChannelAttention(channels)
self.sa = SpatialAttention()
def forward(self, x):
x = self.ca(x) * x
x = self.sa(x) * x
return x
这样处理后的特征图会对垃圾的典型部位（如瓶盖、标签）给予更多关注。
3.2 工程实现难点
多线程处理框架是保证实时性的关键。我们的设计采用生产者-消费者模式：
code复制摄像头线程 → 帧缓冲队列 → 检测线程 → 结果队列 → UI线程
特别要注意的是PyQt5的线程安全问题：
python复制# 正确的结果传递方式
class VideoThread(QThread):
result_ready = pyqtSignal(np.ndarray)
def run(self):
while True:
frame = camera.read()
result = model(frame)
self.result_ready.emit(result) # 通过信号槽跨线程传递
4. 部署优化实战经验
4.1 TensorRT加速实操
将PyTorch模型转为TensorRT需要三步：
- 导出ONNX格式：
bash复制python export.py --weights best.pt --include onnx --opset 12
- 优化ONNX模型：
python复制polygraphy surgeon sanitize model.onnx --fold-constants -o model_clean.onnx
- 转换为TensorRT引擎：
bash复制trtexec --onnx=model_clean.onnx --fp16 --workspace=2048 --saveEngine=model.engine
实测发现：在RTX 3060上，TensorRT版本比原生PyTorch提速2.3倍， latency从22ms降到9.5ms
4.2 边缘设备适配
在Jetson系列设备上部署时，需要特别注意：
- 内存管理：使用
jetson-utils的cudaAllocMapped分配显存 - 功耗控制：通过
sudo jetson_clocks锁定最高频率 - 温度监控：添加散热风扇控制逻辑
python复制def check_temp():
temp = os.popen('cat /sys/class/thermal/thermal_zone0/temp').read()
if int(temp) > 80000: # 80℃
GPIO.output(FAN_PIN, GPIO.HIGH)
5. 避坑指南与常见问题
5.1 训练阶段典型问题
问题1：模型对透明塑料瓶识别率低
解决方案：
- 在数据集中添加背光拍摄的样本
- 改用HED边缘检测+原始图像的混合输入
问题2：类别不平衡导致电池等小样本识别差
优化方案：
python复制# 使用类别加权损失
loss = nn.CrossEntropyLoss(weight=torch.tensor([1.0, 2.5, 1.2, ...]))
5.2 部署常见错误
错误现象：TensorRT推理结果异常
排查步骤：
- 检查ONNX导出时的输入输出节点名称
- 验证FP16精度是否导致数值溢出
- 对比ONNX和TRT的输出差值
内存泄漏排查：
python复制# 在循环检测中添加内存监控
import tracemalloc
tracemalloc.start()
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')
6. 项目扩展方向
在实际应用中，我们发现几个有价值的改进点：
- 多模态融合：加入毫米波雷达数据，解决夜间检测问题
- 增量学习：定期自动更新模型，适应新出现的垃圾品类
- 云端协同：边缘设备做初筛，云端做二次校验
一个有趣的实验：将检测模型与机械臂控制结合，我们成功搭建了自动分拣原型机，分拣速度达到200件/小时。关键是要处理好检测延迟与机械臂运动规划的时序同步问题。
这个项目最让我自豪的不是技术指标，而是它真的被某个社区的智能垃圾房采用，每天处理超过3000次分类请求。看着技术从实验室走向实际应用，这才是工程最有魅力的地方。