6类生活垃圾检测数据集（2500张）｜YOLO训练数据集 智能垃圾分类 环卫视觉检测 垃圾分拣识别
前言
随着城市化进程不断加快，生活垃圾数量持续增长，垃圾分类已经成为智慧城市建设与绿色环保体系中的重要组成部分。尤其是在社区垃圾投放、垃圾 中转站 、智能垃圾回收设备以及环卫自动化管理等场景中，如何利用人工智能技术实现垃圾自动识别与智能分类，正在成为计算机视觉领域的重要研究方向。
近年来，基于 深度学习 的目标检测 算法 ，例如 YOLO、RT-DETR、Faster R-CNN 等，在垃圾分类视觉识别任务中展现出了极强的应用价值。通过 AI 模型自动识别纸箱、塑料、玻璃、金属等垃圾目标，不仅能够提升垃圾分类效率，还能有效降低人工分拣成本，推动环保产业智能化升级。
而高质量的数据集，则是训练高性能垃圾分类模型的核心基础。为满足垃圾分类视觉识别场景需求，我们构建了这套“6类生活垃圾检测数据集”，帮助开发者快速完成垃圾分类模型训练、算法验证与 项目 落地。
数据集下载链接
通过网盘分享的文件：6类生活垃圾检测数据集
链接: https://pan.baidu.com/s/1KD5M3xlwJ3CLtjNfzionlQ?pwd=bk7i
提取码: bk7i
背景
传统垃圾分类主要依赖人工投放与人工分拣，不仅效率低，而且容易受到人为经验、环境因素以及工作强度影响，导致分类准确率不稳定。在大型社区、商业综合体、校园以及城市公共区域中，垃圾分类工作量巨大，人工处理方式已经难以满足智能化管理需求。
与此同时，智能垃圾分类设备与环保视觉系统快速发展。例如：
- 智能垃圾桶能够自动识别垃圾类别；
- 环卫机器人可以检测地面垃圾；
- 垃圾分拣流水线需要自动完成垃圾分类；
- 智慧环保平台需要实时统计垃圾投放情况。
这些场景都需要高精度垃圾检测模型作为支撑。
然而，目前很多公开垃圾数据集普遍存在以下问题：
- 数据量不足；
- 类别划分混乱；
- 场景单一；
- 标注质量不稳定；
- 不适配主流 YOLO 模型。
因此，一套场景真实、类别明确、标注精准、结构规范的生活垃圾检测数据集，对于垃圾分类 AI 项目研发具有非常重要的意义。
数据集概述
本数据集是一套面向智能垃圾分类与目标检测任务构建的高质量生活垃圾检测数据集，总计包含 近2500张高质量实拍标注图像，专门针对日常生活中高频垃圾类别设计。
数据集采用标准 YOLO 数据格式组织，可直接适配 YOLOv5、YOLOv8、YOLOv11、RT-DETR、SSD、Faster R-CNN 等主流目标检测框架，支持模型训练、验证与测试全流程使用。
数据集聚焦 6 类核心生活垃圾目标，兼顾可回收垃圾与厨余垃圾场景，能够有效支撑垃圾分类识别、垃圾分拣系统开发、环保视觉检测等相关任务。
数据集核心参数如下：
- 数据总量：近2500张高质量标注图像
- 类别数量：6类
- 数据格式：YOLO标准格式
- 任务类型：目标检测（Object Detection）
- 数据路径：database/六类生活垃圾检测数据集
- 适配模型：YOLOv5、YOLOv7、YOLOv8、YOLOv11、RT-DETR 等
数据集详情
数据集目录结构
本数据集采用 标准化 目标检测数据结构，目录清晰规范，能够直接用于模型训练。
database/六类生活垃圾检测数据集
├── train/images
├── val/images
└── test/images
其中：
train/images：训练集，用于模型特征学习；val/images：验证集，用于训练过程中的性能验证与调优；test/images：测试集，用于模型最终效果评估。
数据划分合理，可有效提高模型泛化能力。
数据集类别说明
本数据集共定义 6 类高频生活垃圾类别，覆盖垃圾分类中的核心目标类型。
| 类别ID | 类别名称 | 类别说明 |
|---|---|---|
| 0 | 纸箱 | 各类纸箱、包装纸盒等 |
| 1 | 玻璃 | 玻璃瓶、玻璃容器等玻璃制品 |
| 2 | 金属 | 易拉罐、金属盒等金属类垃圾 |
| 3 | 厨余有机物 | 食物残渣、果皮等厨余垃圾 |
| 4 | 纸张 | 报纸、废纸、纸类包装等 |
| 5 | 塑料 | 塑料瓶、塑料包装、塑料容器等 |
类别划分符合日常垃圾分类标准，适用于智能垃圾分类视觉识别任务。
数据标注说明
数据集采用人工精细化边界框标注，严格遵循 YOLO 目标检测标注规范。
数据标注特点包括：
- 边界框精准贴合目标；
- 无明显错标、漏标；
- 类别映射统一规范；
- 多目标场景标注完整；
- 小目标与遮挡目标均进行了有效标注。
高质量标注能够有效提升模型训练稳定性与检测精度。
数据场景覆盖
为了增强模型在真实环境中的适配能力，数据集覆盖多种复杂生活垃圾场景，包括：
- 社区垃圾投放点
- 室内垃圾桶区域
- 校园垃圾分类场景
- 公共垃圾回收区域
- 商业街垃圾收集点
- 环卫清运场景
同时包含：
- 强光、阴天、弱光等不同光照条件；
- 多角度拍摄；
- 背景复杂场景；
- 多目标堆叠与遮挡情况；
- 不同尺寸垃圾目标。
能够有效提升模型的鲁棒性与泛化能力。
数据集核心优势
1. 场景真实性强
所有图像均来源于真实生活垃圾场景，而非实验室白底图片，更贴近实际工程部署需求。
2. 类别覆盖实用
同时覆盖可回收垃圾与厨余垃圾两大核心类别，满足垃圾分类系统实际应用需求。
3. 标注质量高
采用人工精细标注与多轮校验机制，有效减少训练噪声。
4. 数据结构标准化
标准 YOLO 数据格式，兼容主流目标检测框架，开箱即用。
5. 泛化能力优秀
覆盖复杂背景、不同光照、多角度与遮挡场景，提升模型实际部署效果。
适用场景
本数据集可广泛应用于以下方向：
智能垃圾分类系统
用于垃圾分类设备、智能垃圾桶中的视觉识别模块训练。
垃圾分拣流水线
用于垃圾自动分拣系统中的目标检测算法开发。
环卫机器人视觉检测
帮助环卫机器人自动识别与定位垃圾目标。
智慧环保项目研发
适用于智慧城市、绿色环保、垃圾治理等AI视觉项目。
科研教学与毕业设计
适合高校深度学习课程实验、毕业设计与论文研究。
心得
在垃圾分类视觉任务中，很多开发者往往更加关注模型结构，却忽略了数据集质量的重要性。实际上，垃圾检测场景由于背景复杂、目标形态差异大、遮挡频繁，对数据质量要求非常高。
相比单纯更换模型结构，一个高质量、真实场景覆盖充分、标注规范的数据集，往往更能决定模型最终效果。
因此，本数据集在构建过程中重点强调：
- 场景真实性；
- 类别实用性；
- 标注精准性；
- 工程落地适配性。
目的就是帮助开发者训练出真正适用于实际垃圾分类场景的高精度模型。
结语
本“6类生活垃圾检测数据集”围绕智能垃圾分类与环保视觉检测场景构建，兼具真实场景覆盖、高质量标注、标准化结构与良好泛化能力等特点，可广泛应用于 YOLO 系列模型训练、垃圾分类项目研发以及智慧环保系统落地。
无论是用于科研实验、毕业设计，还是工业级垃圾分类系统开发，本数据集都具备较高的实用价值与工程价值，能够为垃圾分类智能化升级提供可靠的数据基础与视觉支撑。
