垃圾物品目标检测数据集 | 垃圾分类 回收检测 城市环卫 目标检测9012期

数据集概述

本数据集专注于城市生活垃圾细分类视觉识别，服务于智能回收、环卫管理及循环经济。数据涵盖常见可回收与废弃物类别，适配自动分拣线、智能垃圾箱及城市清洁监控等场景。

数据集核心信息

数据三要素解析

类别与数量

• 数据集定义 6 个具体垃圾类别：纸板、塑料袋、轮胎、垃圾袋、床垫、易拉罐，覆盖包装废物、大件垃圾及金属容器等常见城市废弃物。
• 图像总量约 6400 张，规模较为充足，能支撑多类别垃圾检测模型的训练与评估。
• 类别设置兼顾常见可回收物（纸板、易拉罐）与难处理物品（轮胎、床垫），符合实际回收场景需求。

格式与结构

• 采用通用 YOLO 格式，每张图像对应一个同名 txt 标签文件，包含类别 ID 与归一化边界框坐标，可无缝接入 YOLOv5、YOLOv8 等主流检测框架。
• 图像与标签一一对应，数据结构规范，便于进行训练/验证集划分与预处理流程集成。

应用与扩展

• 数据集可扩展用于 垃圾满溢检测（结合目标计数）、违规丢弃行为识别（如非投放时间垃圾堆放）等城市管理任务。
• 可迁移至 海洋漂浮垃圾检测、河道废弃物监测 等环保场景，进行微调适配。
• 针对轮胎、床垫等大件垃圾与塑料袋等小件垃圾的尺度差异，可用于测试模型的多尺度检测能力。

知识普及：垃圾细分类检测难点

城市垃圾检测面临 形态高度可变（压扁、揉皱、撕裂）、类别间视觉相似（塑料袋与垃圾袋）、背景复杂（与其他杂物混合）等挑战。实际回收线还需应对 高速运动、堆叠遮挡 等工况。采用实例分割技术（如YOLOv8-seg）可更精准分离重叠物品，而引入颜色直方图、纹理特征等辅助信息有助于提升易混淆类别（如纸板与纸张）的区分度。

快速开始（代码示例）

配置文件 data.yaml 示例：

train: ./dataset/images/train
val: ./dataset/images/val
nc: 6
names: ['cardboard', 'plastic_bag', 'tire', 'garbage_bag', 'mattress', 'can']

启动 YOLOv8 训练：

from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(data='data.yaml', epochs=80, imgsz=640, batch=16)

标签

垃圾分类 回收检测 城市环卫 目标检测 YOLO格式 深度学习数据集 计算机视觉