YOLO垃圾分类回收站可降解物/纸板/玻璃/金属/纸张/塑料目标检测数据集

可降解物目标检测：YOLO26 大规模训练实践

📊 数据集基本信息

• 目标类别： [‘BIODEGRADABLE’, ‘CARDBOARD’, ‘GLASS’, ‘METAL’, ‘PAPER’, ‘PLASTIC’]
• 中文类别：[‘可降解物’, ‘纸板’, ‘玻璃’, ‘金属’, ‘纸张’, ‘塑料’]
• 训练集：7324 张
• 验证集：1864 张
• 测试集：1042 张
• 总计：10230 张

📄 data.yaml 配置信息

该数据集提供了data.yaml文件，内容如下：

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 6
names: ['BIODEGRADABLE', 'CARDBOARD', 'GLASS', 'METAL', 'PAPER', 'PLASTIC']

🖼️ 标注可视化

数据集下载

数据集下载：点击下载

小郭AI日志：
https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzYzNTg4ODk4NA==&action=getalbum&album_id=4497813105477042181&scene=126#wechat_redirect @image:image.dbe2d44a14.png

数据集详细介绍

该数据集名称为“YOLO垃圾分类回收站可降解物/纸板/玻璃/金属/纸张/塑料目标检测数据集”，从名称可推断其主要用于垃圾分拣场景中的目标检测任务。数据集覆盖了垃圾回收站中常见的六类物品，适用于智能垃圾分类系统、环保监测设备、自动化回收机器人等实际应用场景。数据集的构建旨在支持基于深度学习的图像识别技术在垃圾分类领域的应用，提升垃圾处理效率与准确性，助力城市可持续发展。

数据集包含10230张图片，涵盖6个类别：可降解物、纸板、玻璃、金属、纸张和塑料。这些类别反映了日常生活中常见的废弃物类型，具有明确的现实意义。每类物品在不同光照、角度和背景下的分布较为均衡，能够较好地反映实际回收场景中的复杂性。数据集的多样性为模型训练提供了良好的基础，有助于提高模型对各类垃圾的泛化能力。

标注规范方面，数据集采用标准的目标检测标注格式，每张图片均配有边界框和类别标签，确保标注的准确性和一致性。这种规范化的标注方式有利于模型的快速训练与部署，同时也便于后续的模型评估与优化。对于研究者和开发者而言，该数据集具备较高的训练价值，能够有效支持YOLO系列模型或其他目标检测算法的性能提升。

该数据集可广泛应用于智能垃圾桶、自动分拣系统、环境监测平台等实际项目中。建议结合具体场景需求进行数据增强和模型微调，以适应不同光照、遮挡或视角变化。同时，可以将该数据集与现有的垃圾处理流程相结合，推动垃圾分类的智能化与自动化进程。对于相关领域的研究人员，该数据集是一个有价值的资源，能够支撑从算法开发到工程落地的全流程研究。

YOLO26 目标检测算法原理

2026 年 Ultralytics 放出 YOLO26 的时候，社区最关注的不是精度涨了几个点，而是"端到端无 NMS"这个架构变革。

端到端无 NMS 推理：传统 YOLO 模型在推理后需要执行非极大值抑制（NMS）来去除冗余检测框，这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一（one-to-one）检测头，直接输出每张图像最多 300 个检测结果 (N, 300, 6)，完全省去 NMS 步骤，推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。

无 DFL 回归：YOLO26 移除了分布焦点损失（Distribution Focal Loss, DFL）结构，检测头更加轻量。边界框回归不再受限于预设的离散区间，既降低了模型复杂度又保持了同等甚至更优的回归精度。

Progressive Loss 与 STAL：训练过程中通过渐进损失（Progressive Loss）将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配（STAL）策略特别提升小目标的正样本标签覆盖率，改善小物体检测性能。

MuSGD 混合优化器：创新性地将大语言模型常用的 Muon 优化器与 SGD 结合，实现更稳定高效的训练收敛。相比纯 SGD，MuSGD 在大 batch 训练时收敛更快且不易震荡。

模型尺度与 COCO 性能：YOLO26 提供 N/S/M/L/X 五种尺度：

模型	mAP50-95	CPU ONNX(ms)	T4 TensorRT(ms)	参数量
YOLO26n	40.9	38.9	1.7	2.4M
YOLO26s	48.6	87.2	2.5	9.5M
YOLO26m	53.1	220.0	4.7	20.4M
YOLO26l	55.0	286.2	6.2	24.8M
YOLO26x	57.5	525.8	11.8	55.7M

Nano 版本参数量仅 2.4M，CPU 推理速度比 YOLO11n 快 43%，适合边缘设备和小数据集；X 版本 mAP 达 57.5，适用于对准确率要求极高的场景。

双头架构设计：YOLO26 检测模型内置两个检测头——一对一（默认，无 NMS，输出 300 个检测框）和一对多（需 NMS，输出 8400 个候选框）。训练时一对多头作为辅助监督信号加速收敛，推理时默认使用一对一头实现端到端输出。

YOLO26 支持全部七大视觉任务：检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测（OBB），一个框架覆盖从 2D 检测到 3D 感知的完整需求。

关键训练参数配置详解

下面这几个参数是 YOLO26 训练中最常被改动的，每个都有明确的推荐范围和适用场景。不用全部背下来，理解逻辑就行。

参数	默认值	本项目设置	含义
model	-	yolo26n.pt	预训练权重，n/s/m/l/x 五种尺度
epochs	100	150	训练总轮数
imgsz	640	416	输入图像尺寸
batch	16	64	批次大小，根据显存调整
lr0	0.01	0.02	初始学习率
lrf	0.01	0.01	最终学习率因子（lr0 × lrf）
momentum	0.937	0.937	SGD 动量
weight_decay	0.0005	0.0005	权重衰减（L2 正则化）
warmup_epochs	3.0	3.0	预热轮数
warmup_momentum	0.8	0.8	预热期间动量初始值
box	7.5	7.5	边界框回归损失权重
cls	0.5	0.5	分类损失权重
dfl	1.5	1.5	DFL 损失权重（YOLO26 可置 0）
patience	100	-1	早停轮数
cos_lr	False	True	余弦学习率衰减
close_mosaic	10	10	最后 N 轮关闭 Mosaic 增强
optimizer	auto	SGD	优化器选择
amp	True	True	自动混合精度训练
freeze	None	0	冻结前 N 层骨干网络参数
dropout	0.0	0.1	分类头 Dropout 率，防过拟合

YOLO26 训练时 loss 曲线的下降速度和最终值受 lr0 和 weight_decay 影响最大。如果 loss 从一开始就降得很慢，大概率是 lr0 设低了。

学习率调参经验：

• 训练初期 loss 不下降 → 调大 lr0 或增加 warmup_epochs
• 训练后期 loss 震荡 → 降低 lr0，增大 weight_decay
• 验证集 loss 先降后升（过拟合）→ 增大 dropout、weight_decay 或减小 epochs
• 小数据集（<100张）→ lr0=0.001, weight_decay=5e-4, dropout=0.2
• 大数据集（>1000张）→ lr0=0.01, weight_decay=5e-4, batch=32+

训练可视化与TensorBoard：YOLO26 默认开启 TensorBoard 日志记录，训练过程中可实时查看 loss 曲线和指标变化。在命令行执行 tensorboard --logdir runs/detect/train 即可打开 Web 看板，每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。

断点续训机制：如果训练意外中断（断电、OOM 等），不用从头开始。YOLO 每轮保存 last.pt，恢复训练时指定 model=last.pt 并设置 resume=True，学习率和优化器状态都会从断点恢复，训练曲线也和连续训练一样平滑。

模型评估指标解读

模型训完了，接下来怎么判断它好不好用？YOLO 的输出文件夹里有一整套评估文件，逐个看懂才算真正了解模型水平。

训练完成后，YOLO26 训练器自动输出以下指标：

mAP50（mAP@0.5）：IoU 阈值为 0.5 时的平均精度均值，反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。

mAP50-95（mAP@0.5:0.95）：IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛，反映精确定位能力，是更具代表性的综合评价指标。

Precision（精确率）：检测结果中正确检测的比例。高 Precision 意味着虚警少。

Recall（召回率）：真实目标中被成功检测到的比例。高 Recall 意味着漏检少。

F1 Score：Precision 和 Recall 的调和平均数 = 2×P×R/(P+R)，综合衡量模型平衡性。

Confusion Matrix（混淆矩阵）：N×N 矩阵，对角线为正确分类，非对角线为误分类，可定位类别间混淆情况。

训练曲线分析：

• train/box_loss 单调下降 → 边界框回归正常收敛
• val/box_loss 先降后升 → 过拟合风险，应增大数据增强或减小模型
• metrics/mAP50(B) 增长放缓趋于平稳 → 模型接近收敛上限
• train 持续降、val 持续升 → 严重过拟合，建议减小模型或增大 dropout

指标使用场景：

• 安全生产场景（如安全帽检测）→ 优先保证 Recall，宁可多报不能漏报
• 质检场景（如缺陷检测）→ 优先保证 Precision，降低误检率减少人工复核量
• 通用检测 → 均衡优化，关注 mAP50-95 和 F1 Score

如果 PR 曲线在中段（Recall 0.5-0.7）出现明显凹陷，通常意味着模型对某些难例的置信度摇摆不定。这种情况加 hard negative mining 或调高 conf 阈值缓解不了，需要扩充难例样本。

YOLO 系列算法演进史

YOLO 系列的发展史就是目标检测算法简史：v1 把检测定义为回归、v3 引入多尺度、v5 工程化落地、v8 统一框架、v11 精度突破、v26 去 NMS 化。

YOLOv1 (2015)：将检测问题建模为单一回归问题，直接在输出层预测边界框和类别概率。速度极快但定位精度较差。

YOLOv2/YOLOv3 (2016-2018)：引入 anchor box 机制、特征金字塔（FPN）和多尺度训练。YOLOv3 的 Darknet-53 骨干网络成为经典架构，至今仍被广泛使用。

YOLOv5 (2020)：Ultralytics 在 PyTorch 上的实现，带来了完善的训练框架、自动锚框聚类和数据增强 pipeline，大幅降低了使用门槛。

YOLOv8 (2023)：统一了检测、分割、分类和关键点任务的框架，引入 C2f 模块和无锚框（anchor-free）检测头。

YOLOv9 (2024)：提出 GELAN（通用高效层聚合网络）和 PGI（可编程梯度信息），同等参数量下精度提升显著。

YOLOv10/YOLOv11 (2024)：YOLOv10 首次提出无 NMS 端到端检测。YOLOv11 进一步优化骨干网络和训练策略，在速度和精度之间取得新平衡。

YOLO26 (2026)：集历代之大成，核心创新包括：① 端到端无 NMS 一对一检测头 ② 无 DFL 的简化回归头 ③ Progressive Loss 渐进式监督转移 ④ STAL 小目标感知标签分配 ⑤ MuSGD 混合优化器。

关键设计演进总结：

• Anchor-based → Anchor-free（v8 起）
• C3 → C2f → C3k2（骨干模块持续优化）
• 多任务统一框架（v8 起）
• NMS 后处理 → 无 NMS 端到端（v10/v26）
• 单一损失函数 → 多任务联合损失（Box + Cls + DFL，v26 可去 DFL）

YOLO26 训练步骤详解

YOLO26 的训练接口非常简洁，命令行和 Python API 两种方式都支持，选自己顺手的来。

环境准备：

pip install ultralytics
yolo checks
python -c "import torch; print(torch.cuda.is_available())"

命令行训练：

yolo detect train     data=data.yaml     model=yolo26n.pt     epochs=150     imgsz=416     batch=64     device=0     lr0=0.02     patience=-1     cos_lr=True     close_mosaic=10

Python API 训练：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.train(
    data="data.yaml",
    epochs=150,
    imgsz=416,
    batch=64,
    device=0,
    lr0=0.02,
    patience=-1,
    cos_lr=True,
    close_mosaic=10,
    augment=True,
    amp=True,
    workers=8,
)

训练输出文件：

• runs/detect/train/weights/best.pt：验证集上 mAP 最高的权重
• runs/detect/train/weights/last.pt：最后一轮保存的权重
• runs/detect/train/results.csv：每轮 loss 和指标数据
• runs/detect/train/confusion_matrix.png：混淆矩阵图
• runs/detect/train/results.png：训练曲线图
• runs/detect/train/val_batch*_pred.jpg：验证集预测效果图

单张推理测试：

model = YOLO("runs/detect/train/weights/best.pt")
results = model("test_image.jpg")
results[0].show()

多 GPU 分布式训练：

yolo detect train data=data.yaml model=yolo26n.pt device=0,1 epochs=100

恢复中断的训练：

yolo detect train model=path/to/last.pt data=data.yaml resume=True

部署与应用建议

高并发场景部署：10230 张大规模数据训练的模型，部署时瓶颈通常不在模型精度而在吞吐量。

推荐架构：TensorRT + GPU + 多实例并行。

model.export(format="engine", imgsz=416, half=True, device=0)
# 配合 FastAPI + asyncio 做异步推理

运维建议：大模型上线后重点监控两个指标——推理 P99 延迟和 GPU 显存占用。如果流量波动大，考虑用 Triton 的动态 batching 把零散请求合并处理，能提升 30-50% 利用率。定期（每季度）用最新数据做一轮 fine-tune，防止模型漂移。

中等规模数据集的快速迭代策略：10230 张图不算多也不算少，刚好处于一个可以玩出花的区间。

建议先把训练拆成两阶段：第一阶段用默认参数完整训 80 轮看上限在哪，第二阶段针对弱项做定向优化。不要在第一次训练就试图把参数调到完美——这只会浪费时间。

第一阶段结束后，看三个指标做诊断：

• val_box_loss 是否降到 0.7 以下 → 如果没到，加大 epochs
• mAP50-95 相对 mAP50 的差距 → 如果差距 > 15 个点，说明定位精度差，尝试提高 imgsz
• 各类别的 AP 方差 → 如果某类 AP 远低于均值，优先补充该类数据

第二阶段根据诊断结果调整参数重新训练，通常 2-3 轮迭代就能找到最优组合。

实践建议：以上内容整理了 YOLO26 官方文档和社区反馈的核心要点。真实训练中不同的数据集总会有意料之外的问题，因此跑起来后重点盯三个指标：val/box_loss（边界框回归质量）、metrics/mAP50(B)（粗粒度检测精度）、metrics/mAP50-95(B)（精确定位水平）。

如果训练到一半 val/box_loss 开始抬头，第一时间检查是否过拟合——把 weight_decay 加倍、dropout 拉到 0.2，通常能刹住车。反过来，如果两个 loss 都居高不下且训练了 30 轮都没改善，那大概率是学习率太低或者标注有硬伤，建议先排查标签质量再回头调参。

训练完成后的操作清单：① 在测试集上确认 mAP 符合预期 ② 检查 confusion_matrix.png 有无异常的模式 ③ 抽取几张 val_batch*_pred.jpg 用肉眼判断预测效果是否合理。这些都做完后，再决定是否导出部署。

另外一个容易踩的坑是标注类别名称不统一——比如有些标签文件里同一类目标叫 ‘car’，有些叫 ‘Car’，YOLO 会当成两个不同的类。训练前用 grep 检查一遍 labels/ 下的 txt 文件就能避免这种低级错误。