【免费数据集016期】可回收物检测4类·4811张数据集简介本文分享一个用于可回收物检测的YOLO目标检测数据集包含4811张图像和5045个标注框涵盖4类常见可回收物品。该数据集适用于训练YOLO系列模型进行垃圾分类和可回收物自动识别可应用于智能回收、环保分拣等场景。图示为数据集中的标注样例展示了各类可回收物的标注效果包括铝罐、玻璃瓶、HDPE瓶和PET瓶。01 数据集概览指标数值总图像数4811 张总标注框数5045 个类别数量4 类平均每张图像框数1.05 个训练集图像数3848 张80.0%验证集图像数481 张10.0%测试集图像数482 张10.0%训练集框数4033 个验证集框数507 个测试集框数505 个空标签图像数13 张0.27%无效标注行数13 行02 类别定义与标注规范2.1 类别映射表类别ID类别名称英文类别名称中文样本框数占比0AluCan铝罐112422.28%1Glass玻璃瓶139727.69%2HDPEM高密度聚乙烯瓶103120.44%3PETPET瓶149329.59%2.2 类别分布统计从类别分布来看PET瓶样本最多占比29.59%共1493个标注框玻璃瓶次之占比27.69%共1397个标注框铝罐占比22.28%共1124个标注框HDPE瓶样本最少占比20.44%共1031个标注框。四个类别分布较为均衡有利于模型学习各类可回收物的特征。03 数据集目录结构recyclable_dataset/ ├── train/ │ ├── images/ # 训练集图像3848 张 │ └── labels/ # 训练集标注YOLO格式 ├── val/ │ ├── images/ # 验证集图像481 张 │ └── labels/ # 验证集标注YOLO格式 ├── test/ │ ├── images/ # 测试集图像482 张 │ └── labels/ # 测试集标注YOLO格式如有 └── data.yaml # 数据集配置文件data.yaml 配置文件内容# 可回收物检测 YOLO 配置文件path:./recyclable_datasettrain:train/imagesval:val/imagestest:test/imagesnc:4names:0:AluCan1:Glass2:HDPEM3:PET04 数据集深度分析4.1 目标尺寸分布尺寸类别像素范围数量占比小目标32px00.0%中目标32-96px4579.1%大目标96px458890.9%数据集中小目标占比0%中目标占比9.1%大目标占比90.9%。大目标占据绝对主导地位这与可回收物在图像中通常占据较大面积的特点一致。模型训练时无需特别关注小目标检测优化但仍建议使用mosaic数据增强提升泛化能力。4.2 边界框散点图从边界框散点图可以看出标注框分布较为均匀覆盖了图像的各个区域。可回收物目标尺寸较大标注框面积普遍较大这与实际场景中可回收物占据较多画面空间的特点一致。4.3 宽高比分布宽高比分布显示标注框形态较为多样既有接近正方形的瓶子也有横向或纵向延伸的罐体。中位数宽高比约为0.95说明大部分目标形态接近正方形但仍有部分细长形态的目标需要模型具备较好的形变适应能力。4.4 每张图像标注框数量分布每张图像的平均标注框数为1.05个说明大部分图像只包含一个可回收物目标。这与数据采集场景一致通常是单个物品的特写图像。训练集、验证集和测试集的平均框数保持一致数据分布均匀。05 应用场景智能回收站自动识别可回收物类型实现垃圾分类自动化提高回收效率。环保分拣系统在垃圾处理厂自动分拣可回收物降低人工成本提升分拣精度。家庭垃圾分类助手帮助居民识别可回收物指导正确分类促进环保习惯养成。资源回收监管监控可回收物回收情况为资源管理决策提供数据支持。环保教育演示用于环保教育场景展示可回收物识别技术提升公众环保意识。智能垃圾桶集成到智能垃圾桶中自动识别并分类投放可回收物。06 模型训练与部署6.1 YOLO 配置文件data.yamlpath:./recyclable_datasettrain:train/imagesval:val/imagestest:test/imagesnc:4names:0:AluCan1:Glass2:HDPEM3:PET6.2 训练参数建议根据数据集规模和目标分布特征推荐以下训练配置参数推荐值选择理由epochs100数据集规模较大100个epoch足以收敛batch16平衡显存占用和训练效率imgsz640YOLO标准输入尺寸平衡精度与速度optimizerAdamW自适应学习率收敛稳定lr00.001初始学习率设置lrf0.01最终学习率比例mosaic1.0增强数据多样性提升泛化能力copy_paste0.0单目标场景不需要copy_paste增强ampTrue混合精度训练加速训练过程cacheram缓存图像到内存加速数据加载save_period10每10个epoch保存一次检查点6.3 快速开始代码fromultralyticsimportYOLOif__name____main__:# 加载预训练模型modelYOLO(yolov26n.pt)# 开始训练resultsmodel.train(datarecyclable_dataset/data.yaml,epochs100,batch16,imgsz640,workers8,device0,optimizerAdamW,lr00.001,lrf0.01,ampTrue,cacheram,mosaic1.0,copy_paste0.0,save_period10,projectrecyclable,nameyolov26n_train,)6.4 训练命令参考YOLOv26# 单GPU训练YOLOv26nyolo detect traindata{data.yaml}modelyolov26n.ptepochs100imgsz640batch16# 单GPU训练YOLOv26s更高精度yolo detect traindata{data.yaml}modelyolov26s.ptepochs100imgsz640batch12# 高分辨率训练提升小目标检测yolo detect traindata{data.yaml}modelyolov26n.ptepochs100imgsz1280batch8# 模型验证yolo detect valdata{data.yaml}modelruns/detect/recyclable_yolov26n_train/weights/best.pt# 模型导出ONNX格式用于部署yolo detectexportmodelruns/detect/recyclable_yolov26n_train/weights/best.ptformatonnx6.5 训练优化建议大目标检测优化由于数据集中90.9%为大目标模型无需特别关注小目标检测但仍建议使用标准YOLO架构即可获得良好效果。类别平衡处理四个类别分布较为均衡20-30%无需使用focal loss或类别权重平衡策略。数据增强策略建议启用mosaic增强提升数据多样性但由于单目标场景不需要copy_paste增强。早停策略建议设置patience20当验证集指标连续20个epoch无提升时停止训练避免过拟合。模型选择对于实时性要求高的场景推荐使用yolov26n对于精度要求高的场景推荐使用yolov26s或更高版本。07 数据集获取方式关注本公众号后台回复关键词可回收物数据集即可获取数据集下载链接及使用说明。08 使用声明与引用规范本数据集可用于学术研究和技术研发使用时请注意以下事项本数据集仅供学术研究和技术研发使用禁止用于商业用途。使用本数据集训练模型时请在相关论文或项目中注明数据来源。数据集来源于公开渠道使用者需自行确保使用行为的合法性。本数据集按原样提供不提供任何明示或暗示的保证。
)
