YOLOv11城市垃圾分类回收站目标检测数据集-13104张-YOLO-Waste-Detection-1

YOLOv11城市垃圾分类回收站目标检测数据集 数据集基本信息目标类别 [‘Aerosols’, ‘Aluminum can’, ‘Aluminum caps’, ‘Cardboard’, ‘Cellulose’, ‘Ceramic’, ‘Combined plastic’, ‘Container for household chemicals’, ‘Disposable tableware’, ‘Electronics’, ‘Foil’, ‘Furniture’, ‘Glass bottle’, ‘Iron utensils’, ‘Liquid’, ‘Metal shavings’, ‘Milk bottle’, ‘Organic’, ‘Paper’, ‘Paper bag’, ‘Paper cups’, ‘Paper shavings’, ‘Papier mache’, ‘Plastic bag’, ‘Plastic bottle’, ‘Plastic can’, ‘Plastic canister’, ‘Plastic caps’, ‘Plastic cup’, ‘Plastic shaker’, ‘Plastic shavings’, ‘Plastic toys’, ‘Postal packaging’, ‘Printing industry’, ‘Scrap metal’, ‘Stretch film’, ‘Tetra pack’, ‘Textile’, ‘Tin’, ‘Unknown plastic’, ‘Wood’, ‘Zip plastic bag’]中文类别[‘喷雾罐’, ‘铝制易拉罐’, ‘铝制瓶盖’, ‘纸板’, ‘纤维素’, ‘陶瓷’, ‘复合塑料’, ‘家用化学品容器’, ‘一次性餐具’, ‘电子设备’, ‘箔’, ‘家具’, ‘玻璃瓶’, ‘铁制厨具’, ‘液体’, ‘金属碎屑’, ‘牛奶瓶’, ‘有机物’, ‘纸张’, ‘纸袋’, ‘纸杯’, ‘纸屑’, ‘纸浆’, ‘塑料袋’, ‘塑料瓶’, ‘塑料罐’, ‘塑料罐’, ‘塑料瓶盖’, ‘塑料杯’, ‘塑料摇瓶’, ‘塑料碎屑’, ‘塑料玩具’, ‘邮政包装’, ‘印刷行业’, ‘废金属’, ‘拉伸膜’, ‘利乐包装’, ‘纺织品’, ‘锡制品’, ‘未知塑料’, ‘木材’, ‘拉链式塑料袋’]训练集11466 张验证集1092 张测试集546 张总计13104 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:42names:[Aerosols,Aluminum can,Aluminum caps,Cardboard,Cellulose,Ceramic,Combined plastic,Container for household chemicals,Disposable tableware,Electronics,Foil,Furniture,Glass bottle,Iron utensils,Liquid,Metal shavings,Milk bottle,Organic,Paper,Paper bag,Paper cups,Paper shavings,Papier mache,Plastic bag,Plastic bottle,Plastic can,Plastic canister,Plastic caps,Plastic cup,Plastic shaker,Plastic shavings,Plastic toys,Postal packaging,Printing industry,Scrap metal,Stretch film,Tetra pack,Textile,Tin,Unknown plastic,Wood,Zip plastic bag]️ 标注可视化 数据集分析YOLOv11城市垃圾分类回收站目标检测数据集该数据集专为城市垃圾分类回收场景设计涵盖了多种常见可回收及有害垃圾类别。通过高精度标注和多样化场景采集为智能垃圾分类系统提供了可靠的数据支撑有助于提升城市环境管理水平。数据集包含总计13104张图像其中训练集11466张、验证集1092张、测试集546张。这种7:0.8:0.4的划分比例合理均衡能够充分满足模型训练、调优和性能评估的需求确保模型在不同场景下的泛化能力。所有图像均经过专业人员严格标注每个目标物体都配有精确的边界框和清晰的类别标签。标注过程遵循统一规范确保了数据的一致性和准确性为后续模型训练奠定了坚实基础。该数据集可广泛应用于城市环卫管理、智能垃圾分类设备开发、环保科技企业等领域。其丰富的场景覆盖和精细的类别划分能够有效支持各类垃圾分类识别任务助力构建智慧环保生态系统。YOLOv11训练步骤一、环境安装pipinstallultralytics# 依赖要求Python≥3.8PyTorch≥1.8。安装完成后可通过 yolo checks 验证环境。二、数据集准备YOLO格式1. 目录结构数据集必须严格按以下结构组织dataset/ ├── train/ │ ├── images/ # 训练图片jpg/png │ └── labels/ # YOLO格式标注txt ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件2. YOLO标注格式每个*.txt文件对应一张图片每行格式为class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值0~1。3. data.yaml 配置文件# data.yamlpath:../dataset# 数据集根目录相对或绝对路径train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径可选# 类别信息nc:2# 类别数量names:[class1,class2]# 类别名称列表三、模型选择YOLO11 提供 5 种尺度官方命名规则为yolo11{n/s/m/l/x}.pt模型参数量适用场景yolo11n2.6M边缘设备、速度优先yolo11s9.4M平衡精度与速度yolo11m20.1M常规GPU训练yolo11l25.3M高精度需求yolo11x56.9M极致精度、算力充足四、模型训练方式1Python API推荐创建train.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型推荐基于COCO预训练权重微调modelYOLO(yolo11m.pt)# 训练参数train_params{data:data.yaml,# 数据集配置文件epochs:100,# 训练轮次imgsz:640,# 输入图像尺寸batch:16,# 批次大小根据显存调整device:0,# GPU设备号cpu表示CPU训练workers:8,# 数据加载线程数optimizer:SGD,# 优化器SGD/Adam/AdamWlr0:0.01,# 初始学习率patience:50,# 早停耐心值save:True,# 保存模型project:runs/train,# 项目保存路径name:exp,# 实验名称single_cls:False,# 单类别检测设为Trueclose_mosaic:10,# 最后N轮关闭马赛克增强}# 开始训练resultsmodel.train(**train_params)# 输出最佳模型路径print(fBest model saved at:{results.best})if__name____main__:main()三种模型加载方式对比# 方式A从YAML构建全新模型从头训练适合网络结构改进modelYOLO(yolo11m.yaml)# 方式B加载预训练权重最常用推荐modelYOLO(yolo11m.pt)# 方式C构建新模型并迁移预训练权重改进网络后使用modelYOLO(yolo11m.yaml).load(yolo11m.pt)方式2命令行 CLI# 基础训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100imgsz640batch16device0# 多GPU训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100device0,1# 从YAML预训练权重训练yolo detect traindatadata.yamlmodelyolo11m.yamlpretrainedyolo11m.ptepochs100五、关键训练参数说明参数说明建议值epochs训练总轮次100~300imgsz输入尺寸640标准batch批次大小8/16/32根据显存device训练设备0单GPU、0,1多GPU、cpu、mpsApple芯片workers数据加载线程8~16Windows建议≤8optimizer优化器SGD默认、Adam、AdamWlr0/lrf初始/最终学习率0.01 / 0.01momentumSGD动量0.937weight_decay权重衰减0.0005single_cls单类别模式True/Falseresume恢复中断训练True需指定last.ptamp自动混合精度True默认开启省显存六、模型验证创建val.pyfromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重modelYOLO(runs/train/exp/weights/best.pt)# 验证metricsmodel.val(datadata.yaml,splitval,# 验证集val 或 testimgsz640,batch16,iou0.6,# NMS IoU阈值device0,save_jsonFalse,# 是否保存COCO格式JSON)# 输出关键指标print(fmAP50-95:{metrics.box.map})# mAP0.5:0.95print(fmAP50:{metrics.box.map50})# mAP0.5print(fmAP75:{metrics.box.map75})# mAP0.75if__name____main__:main()CLI 方式yolo detect valmodelruns/train/exp/weights/best.ptdatadata.yaml七、模型推理/预测创建predict.pyfromultralyticsimportYOLOimportcv2defmain():modelYOLO(runs/train/exp/weights/best.pt)# 单张图片推理resultsmodel.predict(sourcetest_images/,# 图片路径、文件夹、URL或摄像头索引0imgsz640,conf0.25,# 置信度阈值iou0.45,# NMS IoU阈值device0,saveTrue,# 保存结果图showFalse,# 是否弹窗显示)# 遍历结果forresultinresults:boxesresult.boxes# 检测框masksresult.masks# 分割掩码如使用分割模型probsresult.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2box.xyxy[0].tolist()confbox.conf[0].item()clsint(box.cls[0].item())print(fClass:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}])if__name____main__:main()CLI 方式yolo detect predictmodelruns/train/exp/weights/best.ptsourcetest_images/saveTrue## 数据集下载 小郭AI日志