简介这份垃圾目标检测数据集面向从事计算机视觉与环保科技应用的开发者、研究者及学生用于构建垃圾识别与分类模型可服务于智能垃圾桶、回收站分拣及城市清洁等场景。数据集共1499张真实场景图片按训练集1349张、验证集120张、测试集30张划分覆盖垃圾袋、玻璃、金属、纸张、塑料、泡沫塑料及一般垃圾共7个类别标注采用YOLO格式包含边界框与类别标签可直接用于目标检测任务并兼容主流深度学习框架。资源包共2000个文件以1499个txt标注文件、499张jpg图片为主另含1个yaml配置文件与1份docx说明文档压缩包约153.44MB目录结构清晰便于按类别与划分快速检索。目前已有159人学习下载。借助精准标注与真实场景多样性读者可快速搭建训练与评估流程提升模型在现实环境中的鲁棒性与泛化能力同时为废物回收、资源再利用等环保研究提供可靠数据支撑。1. 垃圾目标检测数据集从“能跑通”到“能落地”的第一道坎做垃圾分拣、环卫巡检或者智能回收箱的团队几乎都绕不开同一个问题模型在 COCO 上 mAP 挺好看一换到真实垃圾场景就翻车。原因不复杂——垃圾目标的类间差异小、类内差异大同一个塑料瓶被踩扁、被油污覆盖、被部分遮挡之后和“其他垃圾”几乎没区别。这份垃圾目标检测数据集_20251118_181557.zip就是冲着这个痛点来的它把生活垃圾场景下的多类别标注整理成可直接用于 YOLO 系列训练的结构覆盖检测框和实例分割两种标注形态。适合谁正在做垃圾分类算法验证的算法工程师、需要快速搭 baseline 的学生团队以及想评估“换数据集能不能救回精度”的从业者。它不是那种几百张图的玩具集而是按行业数据集思路组织的多类别检测资源拿来就能接进训练管线。2. 数据集结构与标注格式先看清目录再动手2.1 目录组织与文件命名逻辑拿到压缩包之后别急着解压到训练目录先花两分钟看清楚它的组织方式。常见做法是解压后得到一个根目录下面分images和labels两个平行文件夹再按train/val/test划分子集。这种结构是 YOLOv5、YOLOv8、YOLOv11 都认的标准布局好处是你不用改data.yaml里的路径拼接逻辑。# 先看压缩包内层级不急着全解 unzip -l 垃圾目标检测数据集_20251118_181557.zip | head -40 # 确认结构后解压到独立目录避免污染已有工程 mkdir -p ~/datasets/trash_det \ unzip 垃圾目标检测数据集_20251118_181557.zip -d ~/datasets/trash_det # 统计各子集图片数量心里有个底 for d in train val test; do echo -n $d: ls ~/datasets/trash_det/images/$d 2/dev/null | wc -l done上面这段命令做了三件事先列出压缩包内容确认层级再解压到独立目录最后统计各子集图片数。参数上没什么玄学关键是-d指定的目标目录要独立否则后面训练时data.yaml的path容易指错。如果解压后发现没有test子集只有train和val那说明这份资源走的是“训练验证”两段式测试集需要你自己从 val 里切或者另找数据。2.2 检测框与实例分割标注的差异这份数据集的关键词里有“实例分割”意味着标注不只是矩形框。YOLO 格式下检测标注每行是class_id x_center y_center width height而归一化到 0~1实例分割标注则是class_id x1 y1 x2 y2 ... xn yn多边形点对数量不固定。两者混在同一个labels目录里时靠行内字段数就能区分5 个字段是检测框奇数个且大于 5 是分割多边形。import os def inspect_label(label_path): with open(label_path) as f: lines [l.strip() for l in f if l.strip()] if not lines: return empty fields len(lines[0].split()) if fields 5: return detection elif fields 5 and fields % 2 1: return segmentation else: return funknown({fields}) label_dir os.path.expanduser(~/datasets/trash_det/labels/train) stats {} for name in os.listdir(label_dir)[:200]: # 抽样看前200个 fmt inspect_label(os.path.join(label_dir, name)) stats[fmt] stats.get(fmt, 0) 1 print(stats)这段脚本抽样检查标注格式输出类似{detection: 180, segmentation: 20}的统计。逻辑说明字段数判断是 YOLO 标注的通用约定5 字段必为检测框超过 5 且为奇数是分割多边形。参数上[:200]只是抽样正式训练前建议全量扫一遍避免混入格式错误的标注导致训练中途报错。如果发现unknown占比不低那这批标注可能来自不同标注工具需要统一转换。2.3 类别映射与 data.yaml 配置多类别检测最怕类别 ID 对不上。数据集里通常会给一个classes.txt或data.yaml里面按行列出类别名行号即 class_id。你要做的是把它转成 YOLO 训练认的data.yaml同时确认nc类别数和names列表长度一致。# data.yaml 示例路径按你实际解压位置改 path: /home/user/datasets/trash_det train: images/train val: images/val test: images/test nc: 6 names: 0: recyclable 1: kitchen_waste 2: hazardous 3: other_waste 4: plastic_bottle 5: paper配置里path是根目录train/val是相对路径这样换机器时只改path一行就行。nc必须和names的条目数严格相等否则训练启动时会直接抛AssertionError。常见坑是类别名里有空格或中文YOLO 读取时可能截断建议统一用下划线英文命名。如果原始classes.txt里类别顺序和标注里的 class_id 不一致那训练出来的模型会把“塑料瓶”认成“厨余”这种错误在验证集上表现为某几类 mAP 异常低排查时优先核对映射。3. 训练管线搭建从 YOLOv8 到自定义参数3.1 环境准备与依赖版本锁定训练这类行业数据集环境版本不一致是最大的隐性成本。我一般会先锁死ultralytics和torch的版本避免今天能跑明天报错。常见做法是建独立 conda 环境Python 用 3.10torch走 CUDA 12.1 对应的轮子。conda create -n trash_det python3.10 -y conda activate trash_det # 按 CUDA 版本装 torch这里以 12.1 为例 pip install torch2.3.1 torchvision0.18.1 --index-url https://download.pytorch.org/whl/cu121 # 装 ultralytics锁一个稳定版本 pip install ultralytics8.2.103 # 验证 GPU 可见 python -c import torch; print(torch.cuda.is_available(), torch.cuda.device_count())这段命令的关键在--index-url指定 PyTorch 官方轮子源避免 pip 默认源拉到 CPU 版本。ultralytics锁 8.2.x 是因为 8.3 之后部分 API 有变动老代码迁移会多花时间。最后一行验证 GPU输出True 1才算环境通了。如果输出False先查驱动版本和 CUDA 是否匹配别急着改代码。3.2 启动训练与关键超参设置YOLOv8 的训练入口很简洁但超参怎么设直接决定这份数据集能不能榨出精度。垃圾目标普遍偏小、密集imgsz建议拉到 640 以上batch按显存给epochs先跑 100 看收敛曲线。yolo detect train \ data/home/user/datasets/trash_det/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ lrf0.01 \ mosaic1.0 \ close_mosaic10 \ projectruns/trash \ nameexp01逐项说明modelyolov8s.pt是拿预训练权重做迁移垃圾数据集样本量通常不足以从零训imgsz640平衡小目标召回和显存batch16是 8G 显存的安全值12G 以上可以上 32lr00.01是初始学习率lrf0.01是最终学习率比例余弦退火到 1e-4mosaic1.0开启马赛克增强对密集小目标有效但close_mosaic10表示最后 10 个 epoch 关掉让模型适应真实分布。这套参数是我在类似垃圾数据集上跑过比较稳的起点不是唯一解但能让你第一轮就有可看的 mAP。3.3 实例分割任务的切换方式如果这份数据集里分割标注占多数或者你的下游任务需要像素级掩码那就把detect换成segment模型换成yolov8s-seg.pt。其余参数基本通用但imgsz对分割更敏感太小会导致掩码边缘粗糙。yolo segment train \ data/home/user/datasets/trash_det/data.yaml \ modelyolov8s-seg.pt \ epochs100 \ imgsz640 \ batch8 \ lr00.01 \ projectruns/trash_seg \ nameexp01分割任务显存占用比检测高batch从 16 降到 8 是常见调整。data.yaml不用改YOLO 会自动按标注字段数判断任务类型但前提是检测和分割标注没有混在同一个子集里。如果混了训练会报维度错误这时候要么分开子集要么统一转成一种格式。分割的评估指标是 mask mAP和 box mAP 分开看别只盯一个数。4. 避坑与排查那些让训练白跑的细节4.1 现象loss 正常下降但 mAP 始终为 0原因通常出在类别映射错位或标注文件与图片不对应。YOLO 按文件名匹配images/xxx.jpg和labels/xxx.txt如果图片是.png而标签按.jpg命名匹配失败后该图被当作无标注样本loss 会降但学不到东西。解决写脚本核对图片和标签的文件名主干是否一一对应缺标签的图片要么补标要么移出训练集。4.2 现象训练中途报 “negative coordinates” 或 “invalid label”这是标注越界或格式错误。YOLO 要求归一化坐标在 0~1 之间如果标注工具导出的是像素坐标没除宽高就会越界。解决全量扫描labels目录对每行做范围检查把越界行打印出来定位到具体文件重新归一化或剔除。别小看这一步我见过一个团队因为 3 个越界标注卡了一整天。4.3 现象验证集 mAP 高但实际推理一塌糊涂典型的数据泄漏或分布不一致。如果train和val里有同一场景的连续帧验证集精度会虚高。解决按场景或拍摄批次划分子集而不是随机切分。另外检查val的类别分布是否和train接近如果val里某类只有个位数样本那个类的 mAP 没有参考价值。4.4 现象显存溢出CUDA out of memory不一定是batch太大也可能是imgsz拉太高或mosaic增强同时加载多图。解决先把batch减半试不行再降imgsz到 512还不行就关mosaic。另外workers设太大也会占内存Linux 下 8 左右够用Windows 下建议 0 或 2否则容易卡在数据加载。4.5 现象类别不平衡导致小类几乎检不出垃圾数据集里“有害垃圾”样本往往远少于“其他垃圾”。解决在data.yaml同级加一个hyp.yaml调cls损失权重或者用copy_paste增强小类。更直接的办法是过采样小类图片但要注意别过拟合。评估时分开看每类 AP别只看整体 mAP。5. 进阶技巧用混淆矩阵和 PR 曲线反推数据问题训练跑完不是终点runs/trash/exp01目录下的confusion_matrix.png和PR_curve.png才是真正告诉你数据哪里有问题的地方。我习惯先看混淆矩阵的对角线如果“塑料瓶”大量被预测成“其他垃圾”说明这两类的视觉特征在标注时就没分清要么合并类别要么补充区分性样本。PR 曲线则告诉你每个类别的查准查全平衡点曲线下的面积就是 AP曲线陡降的位置对应置信度阈值该设在哪。from ultralytics import YOLO import cv2 # 加载训练好的权重做单图推理观察实际输出 model YOLO(runs/trash/exp01/weights/best.pt) results model.predict( source~/datasets/trash_det/images/val, conf0.25, # 置信度阈值按 PR 曲线调 iou0.45, # NMS 的 IoU 阈值 saveTrue, save_txtTrue # 导出预测结果方便和真值对比 ) # 统计预测框数量分布看是否某类异常多 from collections import Counter cls_counter Counter() for r in results: for c in r.boxes.cls.tolist(): cls_counter[int(c)] 1 print(cls_counter)这段推理脚本的关键参数是conf和iou。conf0.25是常用起点但如果你的 PR 曲线显示某类在 0.4 时查准率才上来那就调到 0.4。iou0.45控制 NMS 合并重叠框的力度垃圾目标密集时可以降到 0.4 减少漏检。最后统计预测类别分布如果某类预测数远超标注数说明模型在该类上过检回头查标注里是不是有大量漏标。还有一个容易被忽略的点把save_txtTrue导出的预测结果和真值标签做逐图对比能发现系统性偏移。比如所有框都往右下偏几个像素那可能是标注时的坐标系原点不一致。这种问题在 mAP 上只表现为整体偏低不查根本不知道原因。从那以后我每次训完新数据集都强制走一遍“混淆矩阵 → PR 曲线 → 单图对比”这三步宁可多花半小时也不让一个有系统性缺陷的模型上线。希望帮到你。本文还有配套的精品资源点击获取 垃圾目标检测数据集实战：YOLOv8训练与避坑指南
简介这份垃圾目标检测数据集面向从事计算机视觉与环保科技应用的开发者、研究者及学生用于构建垃圾识别与分类模型可服务于智能垃圾桶、回收站分拣及城市清洁等场景。数据集共1499张真实场景图片按训练集1349张、验证集120张、测试集30张划分覆盖垃圾袋、玻璃、金属、纸张、塑料、泡沫塑料及一般垃圾共7个类别标注采用YOLO格式包含边界框与类别标签可直接用于目标检测任务并兼容主流深度学习框架。资源包共2000个文件以1499个txt标注文件、499张jpg图片为主另含1个yaml配置文件与1份docx说明文档压缩包约153.44MB目录结构清晰便于按类别与划分快速检索。目前已有159人学习下载。借助精准标注与真实场景多样性读者可快速搭建训练与评估流程提升模型在现实环境中的鲁棒性与泛化能力同时为废物回收、资源再利用等环保研究提供可靠数据支撑。1. 垃圾目标检测数据集从“能跑通”到“能落地”的第一道坎做垃圾分拣、环卫巡检或者智能回收箱的团队几乎都绕不开同一个问题模型在 COCO 上 mAP 挺好看一换到真实垃圾场景就翻车。原因不复杂——垃圾目标的类间差异小、类内差异大同一个塑料瓶被踩扁、被油污覆盖、被部分遮挡之后和“其他垃圾”几乎没区别。这份垃圾目标检测数据集_20251118_181557.zip就是冲着这个痛点来的它把生活垃圾场景下的多类别标注整理成可直接用于 YOLO 系列训练的结构覆盖检测框和实例分割两种标注形态。适合谁正在做垃圾分类算法验证的算法工程师、需要快速搭 baseline 的学生团队以及想评估“换数据集能不能救回精度”的从业者。它不是那种几百张图的玩具集而是按行业数据集思路组织的多类别检测资源拿来就能接进训练管线。2. 数据集结构与标注格式先看清目录再动手2.1 目录组织与文件命名逻辑拿到压缩包之后别急着解压到训练目录先花两分钟看清楚它的组织方式。常见做法是解压后得到一个根目录下面分images和labels两个平行文件夹再按train/val/test划分子集。这种结构是 YOLOv5、YOLOv8、YOLOv11 都认的标准布局好处是你不用改data.yaml里的路径拼接逻辑。# 先看压缩包内层级不急着全解 unzip -l 垃圾目标检测数据集_20251118_181557.zip | head -40 # 确认结构后解压到独立目录避免污染已有工程 mkdir -p ~/datasets/trash_det \ unzip 垃圾目标检测数据集_20251118_181557.zip -d ~/datasets/trash_det # 统计各子集图片数量心里有个底 for d in train val test; do echo -n $d: ls ~/datasets/trash_det/images/$d 2/dev/null | wc -l done上面这段命令做了三件事先列出压缩包内容确认层级再解压到独立目录最后统计各子集图片数。参数上没什么玄学关键是-d指定的目标目录要独立否则后面训练时data.yaml的path容易指错。如果解压后发现没有test子集只有train和val那说明这份资源走的是“训练验证”两段式测试集需要你自己从 val 里切或者另找数据。2.2 检测框与实例分割标注的差异这份数据集的关键词里有“实例分割”意味着标注不只是矩形框。YOLO 格式下检测标注每行是class_id x_center y_center width height而归一化到 0~1实例分割标注则是class_id x1 y1 x2 y2 ... xn yn多边形点对数量不固定。两者混在同一个labels目录里时靠行内字段数就能区分5 个字段是检测框奇数个且大于 5 是分割多边形。import os def inspect_label(label_path): with open(label_path) as f: lines [l.strip() for l in f if l.strip()] if not lines: return empty fields len(lines[0].split()) if fields 5: return detection elif fields 5 and fields % 2 1: return segmentation else: return funknown({fields}) label_dir os.path.expanduser(~/datasets/trash_det/labels/train) stats {} for name in os.listdir(label_dir)[:200]: # 抽样看前200个 fmt inspect_label(os.path.join(label_dir, name)) stats[fmt] stats.get(fmt, 0) 1 print(stats)这段脚本抽样检查标注格式输出类似{detection: 180, segmentation: 20}的统计。逻辑说明字段数判断是 YOLO 标注的通用约定5 字段必为检测框超过 5 且为奇数是分割多边形。参数上[:200]只是抽样正式训练前建议全量扫一遍避免混入格式错误的标注导致训练中途报错。如果发现unknown占比不低那这批标注可能来自不同标注工具需要统一转换。2.3 类别映射与 data.yaml 配置多类别检测最怕类别 ID 对不上。数据集里通常会给一个classes.txt或data.yaml里面按行列出类别名行号即 class_id。你要做的是把它转成 YOLO 训练认的data.yaml同时确认nc类别数和names列表长度一致。# data.yaml 示例路径按你实际解压位置改 path: /home/user/datasets/trash_det train: images/train val: images/val test: images/test nc: 6 names: 0: recyclable 1: kitchen_waste 2: hazardous 3: other_waste 4: plastic_bottle 5: paper配置里path是根目录train/val是相对路径这样换机器时只改path一行就行。nc必须和names的条目数严格相等否则训练启动时会直接抛AssertionError。常见坑是类别名里有空格或中文YOLO 读取时可能截断建议统一用下划线英文命名。如果原始classes.txt里类别顺序和标注里的 class_id 不一致那训练出来的模型会把“塑料瓶”认成“厨余”这种错误在验证集上表现为某几类 mAP 异常低排查时优先核对映射。3. 训练管线搭建从 YOLOv8 到自定义参数3.1 环境准备与依赖版本锁定训练这类行业数据集环境版本不一致是最大的隐性成本。我一般会先锁死ultralytics和torch的版本避免今天能跑明天报错。常见做法是建独立 conda 环境Python 用 3.10torch走 CUDA 12.1 对应的轮子。conda create -n trash_det python3.10 -y conda activate trash_det # 按 CUDA 版本装 torch这里以 12.1 为例 pip install torch2.3.1 torchvision0.18.1 --index-url https://download.pytorch.org/whl/cu121 # 装 ultralytics锁一个稳定版本 pip install ultralytics8.2.103 # 验证 GPU 可见 python -c import torch; print(torch.cuda.is_available(), torch.cuda.device_count())这段命令的关键在--index-url指定 PyTorch 官方轮子源避免 pip 默认源拉到 CPU 版本。ultralytics锁 8.2.x 是因为 8.3 之后部分 API 有变动老代码迁移会多花时间。最后一行验证 GPU输出True 1才算环境通了。如果输出False先查驱动版本和 CUDA 是否匹配别急着改代码。3.2 启动训练与关键超参设置YOLOv8 的训练入口很简洁但超参怎么设直接决定这份数据集能不能榨出精度。垃圾目标普遍偏小、密集imgsz建议拉到 640 以上batch按显存给epochs先跑 100 看收敛曲线。yolo detect train \ data/home/user/datasets/trash_det/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ lrf0.01 \ mosaic1.0 \ close_mosaic10 \ projectruns/trash \ nameexp01逐项说明modelyolov8s.pt是拿预训练权重做迁移垃圾数据集样本量通常不足以从零训imgsz640平衡小目标召回和显存batch16是 8G 显存的安全值12G 以上可以上 32lr00.01是初始学习率lrf0.01是最终学习率比例余弦退火到 1e-4mosaic1.0开启马赛克增强对密集小目标有效但close_mosaic10表示最后 10 个 epoch 关掉让模型适应真实分布。这套参数是我在类似垃圾数据集上跑过比较稳的起点不是唯一解但能让你第一轮就有可看的 mAP。3.3 实例分割任务的切换方式如果这份数据集里分割标注占多数或者你的下游任务需要像素级掩码那就把detect换成segment模型换成yolov8s-seg.pt。其余参数基本通用但imgsz对分割更敏感太小会导致掩码边缘粗糙。yolo segment train \ data/home/user/datasets/trash_det/data.yaml \ modelyolov8s-seg.pt \ epochs100 \ imgsz640 \ batch8 \ lr00.01 \ projectruns/trash_seg \ nameexp01分割任务显存占用比检测高batch从 16 降到 8 是常见调整。data.yaml不用改YOLO 会自动按标注字段数判断任务类型但前提是检测和分割标注没有混在同一个子集里。如果混了训练会报维度错误这时候要么分开子集要么统一转成一种格式。分割的评估指标是 mask mAP和 box mAP 分开看别只盯一个数。4. 避坑与排查那些让训练白跑的细节4.1 现象loss 正常下降但 mAP 始终为 0原因通常出在类别映射错位或标注文件与图片不对应。YOLO 按文件名匹配images/xxx.jpg和labels/xxx.txt如果图片是.png而标签按.jpg命名匹配失败后该图被当作无标注样本loss 会降但学不到东西。解决写脚本核对图片和标签的文件名主干是否一一对应缺标签的图片要么补标要么移出训练集。4.2 现象训练中途报 “negative coordinates” 或 “invalid label”这是标注越界或格式错误。YOLO 要求归一化坐标在 0~1 之间如果标注工具导出的是像素坐标没除宽高就会越界。解决全量扫描labels目录对每行做范围检查把越界行打印出来定位到具体文件重新归一化或剔除。别小看这一步我见过一个团队因为 3 个越界标注卡了一整天。4.3 现象验证集 mAP 高但实际推理一塌糊涂典型的数据泄漏或分布不一致。如果train和val里有同一场景的连续帧验证集精度会虚高。解决按场景或拍摄批次划分子集而不是随机切分。另外检查val的类别分布是否和train接近如果val里某类只有个位数样本那个类的 mAP 没有参考价值。4.4 现象显存溢出CUDA out of memory不一定是batch太大也可能是imgsz拉太高或mosaic增强同时加载多图。解决先把batch减半试不行再降imgsz到 512还不行就关mosaic。另外workers设太大也会占内存Linux 下 8 左右够用Windows 下建议 0 或 2否则容易卡在数据加载。4.5 现象类别不平衡导致小类几乎检不出垃圾数据集里“有害垃圾”样本往往远少于“其他垃圾”。解决在data.yaml同级加一个hyp.yaml调cls损失权重或者用copy_paste增强小类。更直接的办法是过采样小类图片但要注意别过拟合。评估时分开看每类 AP别只看整体 mAP。5. 进阶技巧用混淆矩阵和 PR 曲线反推数据问题训练跑完不是终点runs/trash/exp01目录下的confusion_matrix.png和PR_curve.png才是真正告诉你数据哪里有问题的地方。我习惯先看混淆矩阵的对角线如果“塑料瓶”大量被预测成“其他垃圾”说明这两类的视觉特征在标注时就没分清要么合并类别要么补充区分性样本。PR 曲线则告诉你每个类别的查准查全平衡点曲线下的面积就是 AP曲线陡降的位置对应置信度阈值该设在哪。from ultralytics import YOLO import cv2 # 加载训练好的权重做单图推理观察实际输出 model YOLO(runs/trash/exp01/weights/best.pt) results model.predict( source~/datasets/trash_det/images/val, conf0.25, # 置信度阈值按 PR 曲线调 iou0.45, # NMS 的 IoU 阈值 saveTrue, save_txtTrue # 导出预测结果方便和真值对比 ) # 统计预测框数量分布看是否某类异常多 from collections import Counter cls_counter Counter() for r in results: for c in r.boxes.cls.tolist(): cls_counter[int(c)] 1 print(cls_counter)这段推理脚本的关键参数是conf和iou。conf0.25是常用起点但如果你的 PR 曲线显示某类在 0.4 时查准率才上来那就调到 0.4。iou0.45控制 NMS 合并重叠框的力度垃圾目标密集时可以降到 0.4 减少漏检。最后统计预测类别分布如果某类预测数远超标注数说明模型在该类上过检回头查标注里是不是有大量漏标。还有一个容易被忽略的点把save_txtTrue导出的预测结果和真值标签做逐图对比能发现系统性偏移。比如所有框都往右下偏几个像素那可能是标注时的坐标系原点不一致。这种问题在 mAP 上只表现为整体偏低不查根本不知道原因。从那以后我每次训完新数据集都强制走一遍“混淆矩阵 → PR 曲线 → 单图对比”这三步宁可多花半小时也不让一个有系统性缺陷的模型上线。希望帮到你。本文还有配套的精品资源点击获取