基于YOLOv8的可回收瓶类垃圾快速识别与自动化分拣｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程‘

源码在文末哔哩哔哩视频简介处获取。

本系统支持在多种场景下进行实时瓶类识别与分类：
• 图片识别
• 文件夹批量检测
• 视频流检测
• 摄像头实时检测
• 支持模型切换与置信度可调
• 可用于流水线自动分拣、机械臂抓取等部署场景

支持一键运行：运行后即可看到实时识别框与分类名称、置信度显示，同时可进行截图保存与检测数据输出。

可检测一下瓶子

# 类别名称（中文版本）
names: [
  '蓝色瓶子',
  '绿色瓶子',
  '深色瓶子',
  '牛奶瓶',
  '透明瓶子',
  '多彩瓶子',
  '酸奶瓶',
  '食用油瓶',
  '易拉罐',
  '果汁纸盒',
  '牛奶纸盒',
  '彩色洗涤剂瓶',
  '透明洗涤剂瓶',
  '洗涤剂纸盒',
  '大桶/油壶',
  '蓝色瓶子-满',
  '透明瓶子-满',
  '深色瓶子-满',
  '绿色瓶子-满',
  '多彩瓶子-满',
  '牛奶瓶-满',
  '食用油瓶-满',
  '白色洗涤剂瓶',
  '蓝色5L瓶',
  '蓝色5L瓶-满',
  '透明玻璃瓶',
  '深色玻璃瓶',
  '绿色玻璃瓶'
]

项目摘要

本项目围绕可回收物智能分拣领域展开，结合 YOLOv8 目标检测算法 与 PyQt5 图形化界面，实现了瓶类垃圾的自动识别与分类。
项目提供了可直接使用的预训练模型，识别精度高，且具备良好的速度表现，可用于：

• 社区/园区垃圾分类回收站
• 环卫垃圾中转站自动回收设备
• 产线瓶类包装检测和自动分拣设备
• 轻量级嵌入式边缘设备（如 Jetson / 工控机）

系统开箱即用，适合科研学习与工程落地两类场景。

前言

随着可回收垃圾分类政策在各地落地，瓶类垃圾作为回收价值较高的一类，在实际分类中占比极大。但人工分拣存在效率低、成本高、工作环境恶劣等问题。

而瓶类种类繁多，外观近似，传统规则算法无法处理“同形不同材质 / 同形不同装液状态”的情况。
因此，基于深度学习的视觉识别成为行业主流方案。

本项目从 数据构建 → 模型训练 → GUI应用部署 全链路进行实现，具有较强可复用性和可扩展性。

一、软件核心功能介绍及效果演示

本系统主要提供以下功能：

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：

• 高速推理，适合实时检测任务
• 支持Anchor-Free检测
• 支持可扩展的Backbone和Neck结构
• 原生支持ONNX导出与部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；
• 准确率高：支持 Anchor-Free 架构；
• 支持分类/检测/分割/姿态多任务；
• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；
• weights/best.pt：最佳模型权重；
• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：

3.4检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型结构
safe_globals().add(DetectionModel)

# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI完整源码打包

本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码

至项目实录视频下方获取：

哔哩哔哩演示视频：https://www.bilibili.com/video/BV15JkiBeESd

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目基于 YOLOv8 构建了一套可回收瓶类垃圾的实时识别与自动化分拣系统，从数据集构建、模型训练到 PyQt5 可视化界面部署，形成了完整的工程化闭环。系统能够对多种瓶类废弃物进行高精度识别，并支持图片、视频、摄像头流等多场景实时处理，适用于垃圾回收站、环卫中转站、产线分拣系统等实际应用场景。

通过引入更先进的 YOLOv8 模型，本系统在识别精度、实时性能、可扩展性与部署友好度上均表现优异，同时支持继续训练和模型更新，便于后续扩展新的瓶类品种或适配不同环境。随着垃圾分类和回收体系建设不断推进，基于视觉识别的瓶类自动分拣方案将在降本增效与绿色环保中发挥更重要的作用。

本项目提供的源码与完整工程结构可即开即用，适合作为科研课题、毕业设计、智能制造项目落地方案，同时也为后续优化多目标分拣、机械臂抓取控制、边缘端轻量化部署等方向奠定了良好的基础。