【数据集】【YOLO】【目标检测】垃圾分类识别数据集 6908 张，YOLO河岸海岸垃圾识别算法实战训练教程，yolo可/不可回收垃圾识别毕业设计。

 一、数据集介绍

【数据集】垃圾分类识别数据集 6908 张，目标检测，包含YOLO TXT/VOC XML格式标注。

数据集中包含 2 种分类，具体分类为：names: ['PET', 'Styrofoam']，表示可回收垃圾和不可回收垃圾。

数据集图片来自国内外网站、网络爬虫、视频抽帧等；

可用于河岸、海岸、公园、路面等场景进行垃圾识别。

检测场景为河岸、海岸、公园、路面等，可以应用于提升垃圾分类效率、提高资源回收率、降低环境治理成本，改善河岸海岸环境质量等。

文章底部名片或主页私信获取数据集~

1、数据概述

垃圾分类识别的重要性

随着全球城市化进程加速与居民消费能力提升，垃圾产生量呈爆发式增长，“垃圾围城” 已成为制约城市可持续发展的关键环境问题。据《全球废物管理展望》数据，2022 年全球年垃圾产生量超 20 亿吨，其中仅约 16% 实现有效回收，大量不可回收垃圾通过填埋、焚烧处理，不仅占用土地资源、污染土壤与地下水，还会释放甲烷（温室效应是 CO₂的 28 倍）与二噁英（强致癌物质），对生态环境与人类健康构成双重威胁。

在此背景下，垃圾分类成为破解垃圾处理困境的核心手段，而 “可回收 / 不可回收” 的基础分类是垃圾分类体系落地的关键第一步。传统人工分类模式存在效率低（单条分拣线需 10-15 人，处理效率约 50 吨 / 天）、成本高（人工成本占垃圾处理总成本 30% 以上）、易受主观判断影响（分类准确率仅 60%-70%）等问题，难以满足大规模、标准化的垃圾分类需求。

基于YOLO的垃圾分类识别算法

 基于 YOLO 的可回收 / 不可回收垃圾识别技术，不仅是计算机视觉技术的落地场景拓展，更对推动垃圾分类产业化、助力 “双碳” 目标具有重要意义：

1. 提升垃圾分类效率：工业分拣线的处理效率从人工的 50 吨 / 天提升至 200 吨 / 天，人工成本降低 60% 以上，解决 “垃圾分类用工难” 问题。

2. 提高资源回收率：通过精准识别，可回收垃圾的纯度从人工分拣的 70% 提升至 90% 以上，每年可多回收塑料、金属等资源超 1000 万吨，减少原生资源开采。

3. 降低环境治理成本：不可回收垃圾的精准分类（如将有害垃圾单独分拣），可减少填埋场的污染治理成本（如渗滤液处理成本降低 30%），减少焚烧产生的有害气体排放。

 该数据集含有 6908 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试河岸、海岸、公园、路面等场景进行垃圾分类识别。图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

2、数据集文件结构

Recyclable_Waste/

——test/

————Annotations/

————images/

————labels/

——train/

————Annotations/

————images/

————labels/

——valid/

————Annotations/

————images/

————labels/

——data.yaml

• 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
• Annotations文件夹为Pascal VOC格式的XML文件 ；
• images文件夹为jpg格式的数据样本；
• labels文件夹是YOLO格式的TXT文件；
• data.yaml是数据集配置文件，包含垃圾分类识别的目标分类和加载路径。

​​​​​​​​​​​​     ​​​

    ​​​  ​​​​​​​​​​​​​​  ​​​

​​Annotations目录下的xml文件内容如下：

<annotation>
	<folder></folder>
	<filename>IMG_0703_png.rf.e150901cd32f3b61412165c4d5993f5a.jpg</filename>
	<path>IMG_0703_png.rf.e150901cd32f3b61412165c4d5993f5a.jpg</path>
	<source>
		<database>Recyclable_Waste</database>
	</source>
	<size>
		<width>640</width>
		<height>640</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>Styrofoam</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>161</xmin>
			<xmax>227</xmax>
			<ymin>188</ymin>
			<ymax>230</ymax>
		</bndbox>
	</object>
	<object>
		<name>PET</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>504</xmin>
			<xmax>531</xmax>
			<ymin>179</ymin>
			<ymax>194</ymax>
		</bndbox>
	</object>
	<object>
		<name>PET</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>139</xmin>
			<xmax>175</xmax>
			<ymin>289</ymin>
			<ymax>309</ymax>
		</bndbox>
	</object>
</annotation>

3、数据集适用范围 

• 目标检测场景，无人机航拍识别，监控摄像头识别
• yolo训练模型或其他模型
• 河岸、海岸、公园、路面等场景
• 可以用于提升垃圾分类效率、提高资源回收率、降低环境治理成本，改善河岸海岸环境质量等。

4、数据集标注结果 

​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​  ​​​ ​  ​​​​​​ ​​​​​​​​​​​​​​​​​​​​​ ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​  ​​​ ​  ​​​​

​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​  ​​​ ​  ​​​​ ​​​​​​​ ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​ ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​  ​​​ ​  ​​​​​​​​​​​​​​​​​ ​​​​​​​​​​​​​​​​​​​  ​​​​​​​​​​​​​​​​​​​​​​​​​

 ​​​​​​​​​​​ ​​​​​​​​​​​​​​​​​​​​​​4.1、数据集内容 

1. 多角度场景：监控摄像头视角，航拍无人机视角；
2. 标注内容：2个分类，['PET', 'Styrofoam']；
3. 图片总量：6908 张图片数据；
4. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

5、训练过程

5.1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​​​​

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

整体项目结构如下所示：

​​​​​​​​​

5.2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

5.3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

• 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

• 它打开XML文件，解析树结构，提取图像的宽度和高度。

• 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

• 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

• 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['PET', 'Styrofoam'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text),
             float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

5.4、修改数据集配置文件

在ultralytics-main目录下创建一个wheat.yaml文件

train: data/train.txt
val: data/val.txt
test: data/test.txt

nc: 2
names: ['PET', 'Styrofoam']

5.5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='wheat.yaml', epochs=200, imgsz=640, batch=16, workers=0, device=0)

也可以在终端执行下述命令：

yolo train data=wheat.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

5.6、模型预测 

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径

# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) 

# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)

# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        # results = model(frame)
        results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)

        results[0].names[0] = "道路积水"
        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Write the annotated frame to the output file
        out.write(annotated_frame)

        # Display the annotated frame (optional)
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

yolo predict model="best.pt" source='demo.jpg'

6、获取数据集 

文章底部名片或主页私信获取数据集~

二、基于QT的目标检测可视化界面

1、环境配置

# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

2、使用说明

​​​​​​

界面功能介绍：

• 原视频/图片区：上半部分左边区域为原视频/图片展示区；
• 检测区：上半部分右边区域为检测结果输出展示区；
• 文本框：打印输出操作日志，其中告警以json格式输出，包含标签框的坐标，标签名称等；
• 加载模型：下拉框绑定本地文件路径，按钮加载路径下的模型文件；
• 置信度阈值：自定义检测区的置信度阈值，可以通过滑动条的方式设置；
• 文件上传：选择目标文件，包含JPG格式和MP4格式；
• 开始检测：执行检测程序；
• 停止：终止检测程序；

 3、预测效果展示

3.1、图片检测

​​​​​​

切换置信度再次执行：

​​​​​​

上图左下区域可以看到json格式的告警信息，用于反馈实际作业中的管理系统，为管理员提供道路养护决策 。

3.2、视频检测 

​​​​​​

3.3、日志文本框

​​​​​​​​​

4、前端代码 

class MyWindow(QtWidgets.QMainWindow):
    def __init__(self):
        super().__init__()

        self.init_gui()
        self.model = None
        self.timer = QtCore.QTimer()
        self.timer1 = QtCore.QTimer()
        self.cap = None
        self.video = None
        self.file_path = None
        self.base_name = None
        self.timer1.timeout.connect(self.video_show)

    def init_gui(self):
        self.folder_path = "model_file"  # 自定义修改：设置文件夹路径
        self.setFixedSize(1300, 650)
        self.setWindowTitle('目标检测')  # 自定义修改：设置窗口名称
        self.setWindowIcon(QIcon("111.jpg"))  # 自定义修改：设置窗口图标
        central_widget = QtWidgets.QWidget(self)
        self.setCentralWidget(central_widget)
        main_layout = QtWidgets.QVBoxLayout(central_widget)

        # 界面上半部分： 视频框
        topLayout = QtWidgets.QHBoxLayout()
        self.oriVideoLabel = QtWidgets.QLabel(self)
        
        # 界面下半部分： 输出框 和 按钮
        groupBox = QtWidgets.QGroupBox(self)
        groupBox.setStyleSheet('QGroupBox {border: 0px solid #D7E2F9;}')
        bottomLayout = QtWidgets.QHBoxLayout(groupBox)
        main_layout.addWidget(groupBox)
        btnLayout = QtWidgets.QHBoxLayout()
        btn1Layout = QtWidgets.QVBoxLayout()
        btn2Layout = QtWidgets.QVBoxLayout()
        btn3Layout = QtWidgets.QVBoxLayout()

        # 创建日志打印文本框
        self.outputField = QtWidgets.QTextBrowser()
        self.outputField.setFixedSize(530, 180)
        self.outputField.setStyleSheet('font-size: 13px; font-family: "Microsoft YaHei"; background-color: #f0f0f0; border: 2px solid #ccc; border-radius: 10px;')
        self.detectlabel = QtWidgets.QLabel(self)
        self.oriVideoLabel.setFixedSize(530, 400)
        self.detectlabel.setFixedSize(530, 400)
        self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')
        self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')
        topLayout.addWidget(self.oriVideoLabel)
        topLayout.addWidget(self.detectlabel)
        main_layout.addLayout(topLayout)

5、代码获取

YOLO可视化界面

 更多数据集请查看

以上内容均为原创，搬运请私信。