可回收垃圾目标检测数据集：5类别、13,000张图像 | 目标检测

源码数据分享

通过网盘分享的文件：5类可回收垃圾数据集

链接: https://pan.baidu.com/s/10_6w0RqcmoLjrDgeIKjc6w?pwd=8vej

提取码: 8vej

一、垃圾分类与循环经济的宏观背景

1.1 全球循环经济发展趋势

循环经济（Circular Economy）是当前全球可持续发展战略的核心议题之一。与传统的"获取-制造-丢弃"线性经济模式不同，循环经济强调资源的循环利用，通过减量化、再利用、再循环（3R原则）实现经济增长与资源消耗脱钩。

在循环经济体系中，可回收垃圾的精准分类与高效回收是关键环节。根据世界经济论坛的数据，全球每年产生约20亿吨固体废弃物，其中可回收材料的回收率仅为13.5%。低回收率的主要原因之一是分类精度不足，导致可回收材料被混入其他垃圾中，无法进入再生利用链。

1.2 中国垃圾分类政策推进

自2019年上海率先实施强制垃圾分类以来，中国已进入垃圾分类全面推行阶段。住建部发布的《生活垃圾分类标志》标准将生活垃圾分为可回收物、有害垃圾、厨余垃圾和其他垃圾四大类。

其中，可回收物是最具经济价值的类别，涵盖：

• 纸制品：纸板、报纸、书本等，可回收再生纸浆
• 塑料制品：塑料瓶、塑料包装等，可回收再生塑料颗粒
• 金属制品：易拉罐、金属罐等，可回收再生金属
• 玻璃制品：玻璃瓶、玻璃容器等，可回收再生玻璃

据中国再生资源回收协会统计，中国每年可回收物回收价值超过1万亿元，但实际回收率仍不足40%，主要瓶颈在于前端分类精度不足。

1.3 AI视觉技术赋能垃圾分类

传统垃圾分类面临的核心难题是"分类精度"和"分类效率"的矛盾。人工分类精度高但效率低、成本高；简单传感器分类效率高但精度差、类别少。

基于深度学习的视觉检测技术提供了新的解决方案：

• 高精度识别：深度学习模型可以从复杂背景中精准识别垃圾类别
• 多类别覆盖：同时识别多种垃圾类型，远超传感器方案
• 实时处理：YOLO系列模型可实现实时检测，满足流水线速度要求
• 持续优化：通过数据积累和模型迭代，持续提升识别精度

而这一切的前提，是构建一个大规模、高质量、贴近真实场景的垃圾检测数据集。

二、数据集全面解析

2.1 核心规格参数

2.2 数据集规模的优势

13000张的图像规模在垃圾分类数据集中属于较大规模，这一规模带来以下优势：

充分的特征覆盖：每种垃圾类别有足够多的样本，覆盖不同形态、不同角度、不同遮挡程度，使模型能够学习到鲁棒的特征表示。

降低过拟合风险：深度学习模型参数量通常在数百万到数千万级别，充足的训练数据可以有效防止模型过拟合，提升泛化能力。

支持多模型对比：足够的数据量支持多种模型架构的公平对比实验，为项目选型提供可靠依据。

子集划分灵活性：可以根据特定需求（如特定场景、特定类别组合）从数据集中灵活提取子集。

2.3 五类可回收垃圾详解

2.4 类别设计理念

"纸板"与"纸张"虽然都属于纸质材料，但在回收处理工艺上存在显著差异：

• 纸板：厚纸制品，回收后主要用于生产瓦楞纸板和包装材料，处理工艺相对简单
• 纸张：薄纸制品，回收后用于生产再生纸浆和卫生纸，处理工艺更精细

将两者分开标注，使得训练出的模型可以直接服务于分拣环节的分类需求，而不仅仅是判断"是否为纸质材料"。这种贴合回收工艺的类别设计，体现了数据集的工程实用性。

2.5 数据场景覆盖

本数据集的图像均来源于真实生活场景，覆盖了垃圾分类的典型环境：

社区垃圾回收站：

• 户外环境，自然光照
• 垃圾桶内的俯拍视角
• 垃圾堆叠、部分遮挡
• 混合放置的多类别垃圾

室内垃圾分类箱：

• 室内环境，人工照明
• 投放口的近距离拍摄
• 单件或少量垃圾
• 背景相对简洁

公共垃圾投放点：

• 街道、公园等公共区域
• 光照条件多变
• 垃圾状态多样（完整/损坏/散落）
• 行人和车辆背景干扰

商业街垃圾区域：

• 商业场所产生的大量包装废弃物
• 纸板和塑料类占比高
• 垃圾密度大，遮挡严重

校园垃圾分类区域：

• 以纸张和塑料为主的校园垃圾
• 投放行为相对规范
• 垃圾完好度较高

三、模型训练实战

3.1 数据集配置

# recyclable_waste.yaml
path: database/5类可回收垃圾数据集
train: train/images
valid: valid/images
test: test/images

nc: 5
names:
  0: 纸板
  1: 玻璃
  2: 金属
  3: 纸张
  4: 塑料

3.2 基线模型训练

from ultralytics import YOLO

model = YOLO('yolov8s.pt')

results = model.train(
    data='recyclable_waste.yaml',
    epochs=200,
    imgsz=640,
    batch=32,
    patience=40,
    lr0=0.01,
    mosaic=1.0,
    mixup=0.15,
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4,
    degrees=15,
    translate=0.1,
    scale=0.5,
    fliplr=0.5,
    project='recyclable_waste',
    name='yolov8s_baseline'
)

3.3 针对垃圾检测场景的优化

遮挡与堆叠处理：

垃圾场景中目标遮挡严重，需要特别的优化策略：

• 使用Soft-NMS替代标准NMS，避免遮挡目标被抑制
• 增加Copy-Paste增强，将单独的目标粘贴到复杂背景中模拟遮挡
• 调整置信度阈值，适当降低以提升召回率

形态变化适应：

垃圾的形态变化极大，特别是：

• 压扁的易拉罐 vs 完整的易拉罐
• 折叠的纸板 vs 展开的纸板
• 揉皱的纸张 vs 平整的纸张
• 压缩的塑料瓶 vs 膨胀的塑料瓶

应对策略：

• 在数据增强中使用大幅度的仿射变换（旋转、缩放、剪切）
• 增加变形目标的训练样本
• 使用可变形卷积增强形变适应能力

透明物体检测：

玻璃和透明塑料的边界模糊，是检测难点：

• 使用边缘检测预处理增强边界信息
• 在数据增强中增加透明度变化
• 引入深度信息辅助（如有RGB-D传感器）

3.4 高级训练技巧

课程学习策略：

先在简单样本（单目标、清晰背景）上训练，再逐步加入困难样本（多目标、遮挡、复杂背景）：

# 第一阶段：简单样本训练
model.train(data='recyclable_waste_easy.yaml', epochs=50)

# 第二阶段：全量数据微调
model = YOLO('recyclable_waste/yolov8s_easy/weights/best.pt')
model.train(data='recyclable_waste.yaml', epochs=100, lr0=0.001)

自训练半监督：

利用未标注数据进一步提升模型性能：

1. 使用已标注数据训练初始模型
2. 用初始模型对未标注数据生成伪标签
3. 筛选高置信度伪标签样本
4. 合并有标签和伪标签数据重新训练

四、工程部署全链路

4.1 智能垃圾桶方案

智能垃圾桶是最直接的落地场景，架构如下：

硬件层：

• 高清摄像头：安装在投放口上方，拍摄投放物品
• 计算模块：瑞芯微RK3588或类似NPU设备
• 执行机构：电动分拣门，根据分类结果引导垃圾进入对应仓室
• 显示模块：LCD屏显示分类结果和使用指引

软件层：

• 图像采集：实时采集投放口图像
• 目标检测：运行YOLO模型识别垃圾类别
• 结果过滤：基于置信度和时序逻辑过滤误检
• 控制输出：控制分拣门开启对应通道

交互设计：

• 投放时实时识别并语音播报分类结果
• 分类错误时提示用户正确投放
• 记录每次投放的类别和重量数据

4.2 分拣流水线方案

在垃圾分拣中心，AI视觉系统部署在传送带上方：

系统布局：

• 传送带速度：1-2米/秒
• 摄像头间距：1-2米
• 每个摄像头覆盖宽度：0.5-1米
• 推理延迟要求：<100ms

技术方案：

• 多摄像头协同覆盖整条传送带
• 高帧率检测（30FPS以上）
• 机器人/气阀执行分拣动作
• 实时统计分拣数量与类别分布

4.3 环卫机器人方案

移动式环卫机器人在户外环境中自动巡检和清理：

核心技术：

• 移动平台导航（SLAM）
• 垃圾目标检测与定位
• 机械臂抓取控制
• 垃圾分类与暂存

模型适配：

• 轻量化模型（YOLOv8n）适配边缘计算
• 多尺度推理适应不同距离的垃圾检测
• 时序追踪避免重复检测

4.4 性能监控与模型迭代

部署后的持续监控和迭代优化是系统长期有效运行的关键：

监控指标：

• 各类别的检测精度变化趋势
• 误检/漏检案例统计
• 推理延迟波动
• 业务指标（分拣准确率、吞吐量）

迭代流程：

1. 收集线上误检/漏检案例
2. 人工审核并标注
3. 加入训练集重新训练
4. A/B测试验证改进效果
5. 灰度发布新模型

五、垃圾分类AI系统的业务价值

5.1 经济效益分析

5.2 环保效益

• 提升可回收物回收率，减少资源浪费
• 降低填埋/焚烧比例，减少环境污染
• 推动分类习惯养成，提升全民环保意识
• 为循环经济提供高质量原料来源

5.3 社会效益

• 创造AI+环保领域就业岗位
• 提升城市精细化管理水平
• 推动环保科技产业发展
• 增强公众对AI技术的正面认知

六、技术前沿与发展趋势

6.1 多模态融合检测

结合RGB图像与深度信息，可以更准确地识别透明物体（玻璃、塑料）和判断物体厚度（纸板vs纸张）。RGB-D传感器（如Intel RealSense、Azure Kinect）的成本持续下降，使得多模态方案在工程部署中越来越可行。

6.2 少样本学习

在实际部署中，可能遇到训练集中未覆盖的垃圾类型。少样本学习技术可以在仅有少量新类别样本的情况下，快速扩展模型的识别能力，无需从头重新训练。

6.3 端云协同推理

对于复杂样本（遮挡严重、形态罕见），边缘设备的轻量级模型可能无法给出可靠判断。端云协同方案将低置信度样本上传到云端，由更大规模的模型进行二次判断，兼顾实时性和精度。

6.4 生成式数据增强

利用扩散模型等生成式AI技术，可以合成各种形态、各种环境下的垃圾图像，有效扩充训练数据集，特别是针对罕见类别和极端场景的数据补充。

七、数据集使用建议

7.1 推荐训练流程

1. 使用数据集训练基线模型，评估整体mAP
2. 分析混淆矩阵，识别易混淆类别对
3. 针对易混淆类别增加数据增强或调整损失权重
4. 在验证集上评估改进效果
5. 在测试集上做最终评估
6. 收集线上bad case，持续迭代

7.2 与其他数据集联合使用

本数据集可以与其他垃圾分类数据集联合使用，扩大训练数据规模和类别覆盖。联合使用时需注意：

• 统一标注格式和类别映射
• 检查类别定义一致性（如"纸板"vs"硬纸板"）
• 平衡不同来源数据的比例
• 在验证集上评估联合训练的效果

7.3 迁移学习策略

可以将本数据集训练的模型作为预训练模型，迁移到特定场景的垃圾分类任务中：

• 特定场景微调：如校园、商场、医院等特定场景
• 类别扩展：增加新的垃圾类别（如电子产品、纺织品）
• 精度提升：使用更大模型或更多数据进一步提升精度

八、总结

本5类可回收垃圾检测数据集以13000张高质量标注图像，覆盖纸板、玻璃、金属、纸张、塑料5类核心可回收垃圾，为智能垃圾分类视觉检测系统提供了坚实的数据基础。数据集的规模优势、真实场景覆盖和标准化结构，使其在同类数据集中具有突出的工程适配性和实用价值。

从更宏观的视角来看，垃圾分类AI技术正处于从技术验证走向规模化应用的关键阶段。随着数据资源的丰富、算法的进步和硬件成本的下降，基于视觉的智能垃圾分类系统将在社区、商业区、垃圾处理中心等各类场景中加速落地，推动循环经济的发展和绿色城市的建设。