垃圾目标检测数据集构建实战：从类别体系到YOLOv8训练-平芜编程栈

简介：这是一套面向计算机视觉与人工智能领域的目标检测数据集，聚焦电池、纸团、一次性杯子、塑料瓶和积木五类常见垃圾目标，采用COCO格式进行标注，每张图像均包含边界框信息，可直接服务于YOLO、SSD、Faster R-CNN等主流检测模型的训练与效果评估。全套资源共1753个文件，包括1743张jpg图片、8张png图片和2个json标注文件，压缩包约20.19MB；图片素材来自多样场景，json文件则记录每个目标的类别与坐标，可方便地拆分训练集、验证集和测试集。该数据集聚类了实际环保应用中的典型对象，为垃圾分类、智能监控等场景提供标准化训练数据。目前已有2199人学习/下载，无论是正在学习目标检测算法的高校学生，还是需要基础数据开展实验的算法工程师，都能从中获得直接可用的数据支撑。

1. 垃圾目标检测数据集，难点不在“找图”而在“标得动”

如果我接手一个智慧环卫项目，第一周的结论会有些反直觉：垃圾目标检测的技术瓶颈不在模型，而在数据集。通用检测器对易拉罐、塑料瓶这类“物体”已经足够稳，可切到真实巡检画面，烟蒂、泡沫块、破渔网、半埋在土里的砖头，跑一遍通用模型会漏掉近八成。“垃圾”在物体目标检测里不是单一类别，而是几十类目标的并集，这使它同时踩中细颗粒度、小目标、长尾分布三个坑。

从零做一套自己的垃圾目标检测数据集，我一般会走这样一条链路：先定类别树和标注规范，再混入公开数据集和自采视频抽帧，然后用半自动预标注压减人工成本，最后用 YOLOv8 跑闭环训练，拿指标反推哪些样本标错了。下面每一步都落到命令和参数上。

2. 先拆清楚：垃圾目标检测数据集的类别体系与标注规范

2.1 垃圾检测不是“乱标一通”，先定类别树

越早定类别，数据加工越便宜。我基本不会直接用“垃圾”作为类别名，而是把垃圾降解成“可感知的弃置物”：塑料瓶、易拉罐、塑料袋、泡沫、玻璃瓶、烟蒂、纸箱、布料、砖块、轮胎。它们形态差异大，在画面里的颜色、纹理、边缘和光照表现各不相同；如果按垃圾的化学成分归类，同一类在图像上完全不可分，标注员会崩溃，模型也学不到稳定特征。

建议做两级类别树。第一级记录场景属性：岸线陆地、水面漂浮、道路市政、工地废料；第二级才是具体类别，数量控制在 8 到 15 类。类别数太多会让每个类别样本量不足，太少则模型无法区分“塑料袋”和“白色泡沫”。下面是一个可参考的初始清单：

一级场景	二级类别	常见形态	典型尺寸占比	标注难度
岸线/陆地	塑料瓶、易拉罐、玻璃瓶	多为完整或轻度压瘪容器	中	低
滩涂/水面	泡沫、塑料片、渔网	碎片多，半埋或浸水，边界不清	小	高
道路/市政	烟蒂、口罩、纸屑	目标极小，遮挡严重	小	高
工地/废料	砖块、混凝土块、钢筋	形状不规则，常堆叠	中	中

定完表不能急着标。先把每个类别的定义写成一份标注文档，附 3 到 5 张典型图和 1 到 2 张边界图，说明“什么算，什么不算”。例如“沾满泥土的塑料袋”算，“垃圾桶内已投放的瓶子”不算，因为开放场景只关心暴露在环境里的弃置物。没有这份规则，第二个人接手时标注一致性会立刻崩塌。

2.2 标注粒度与小目标：垃圾是“小”出来的

垃圾目标检测数据集与通用物体检测的本质区别，是小目标占比极高。按 MS COCO 的面积口径，小于 32×32 像素的框算小目标；垃圾场景里烟蒂、泡沫碎块常常连 16×16 像素都没有。标注时如果不在原图上放大 300% 再操作，很容易把一个烟蒂略过。

我建议直接标注边界框，不要走“先分割再转框”的弯路。垃圾边界模糊，逐像素分割争议大，标注成本高；而且多数公开数据集只提供 bbox，先做检测任务用 bbox 足够。COCO 格式里一个标注记录长这样：

{ "images": [ { "id": 1, "file_name": "frame_0001.jpg", "width": 1920, "height": 1080 } ], "annotations": [ { "id": 1, "image_id": 1, "category_id": 2, "bbox": [1240.5, 308.2, 18.3, 21.7], "area": 396.51, "iscrowd": 0 } ] }

bbox依次是左上角 x、左上角 y、宽、高，area必须与 bbox 一致，iscrowd对垃圾检测建议全部置 0。垃圾目标经常堆叠，如果把一堆瓶罐标成iscrowd=1，模型永远学不到单目标边界。还需要注意保留浮点坐标，不要四舍五入成整数；小目标框宽可能只有十几像素，每个像素的偏移都会显著降低 IoU。

2.3 难例标注规则：遮挡、半埋与目标过小

垃圾数据集中最难的不是正常暴露目标，而是三种情况：被植物或泥沙遮挡、目标只有局部露在外面、光线很差。没有规则的标注员会把“露出的一条塑料袋角”也框出来，另一人却选择跳过，这两者在训练里互相打架。

一般做法是定三条硬规则：第一，可见面积小于目标的 30% 不标；第二，目标完全被泥土或水覆盖，只能凭颜色判断的不标；第三，目标在画面中短边小于 8 像素不标。这三条规则的目的不是减少信息，而是保证标注框的“语义确定性”。垃圾检测的难例学习应交给模型用更多样本来补足，而不是靠标注员猜测。

3. 从源头构建数据集：公开集勾兑、视频抽帧与预标注

3.1 公开垃圾目标检测数据集怎么取舍

公开数据集中可以用于垃圾检测的有 TACO、TrashCan 这类专门集，也有 COCO、VOC 中与瓶罐纸箱相关的类别。专门集的价值是类别命名贴近真实垃圾，COCO 的价值是数量大、迁移容易。但这些数据集之间有两个冲突：一是标签口径不一致，同是“瓶子”，有的集要求标饮料瓶，有的把所有容器都算；二是形态偏移，COCO 里的瓶子大多是完整立在桌上的，而垃圾场景里的瓶子是压扁、破损、半埋的。

我的做法是把公开集放进“预训练池”，而不是直接混入训练集。先用公开集让模型见足够多的“物体形态”，再用自采数据微调。如果图省事直接合并训练，需要统一改标签并重新抽检，否则某个类别在训练时同时看到两种对立标注，loss 会出现奇怪抖动。

3.2 自采视频抽帧，一个 ffmpeg 命令稳住源头

自采视频仍然是最可控的数据来源。我一般用手机或监控摄像头固定机位，在不同时段、天气和光照下绕场地巡检，单场景拍 5 到 10 分钟。抽帧用 ffmpeg 按时间间隔抽，而不是逐帧抽：

ffmpeg -i site_A.mp4 -vf fps=1/3 -q:v 1 -start_number 0 frames_site_A_%04d.jpg

参数说明：fps=1/3表示每 3 秒输出一帧，适合目标基本静止的巡检画面；-q:v 1是图像质量，取值 2 到 31，值越小质量越高；-start_number 0让输出帧号从 0 开始连续，方便后续脚本对齐。逐帧抽帧会产生大量几乎相同的冗余帧，这些高相似度画面进到训练集后，会让模型过拟合到固定背景，验证集指标虚高。

抽帧后可以做一次感知哈希去重。对每帧计算 pHash，去除汉明距离小于 5 的相邻帧；这一步用 OpenCV 几十行就能完成，能显著降低标注成本。

3.3 用 YOLOv8 半自动预标注，把标注工作量压到 30%

完全人工框垃圾目标不现实。常见做法是先用预训练模型给整批图生成伪标签，再让人工在伪标签基础上修正。以下代码用 Ultralytics YOLOv8 对 frames 目录做批量推理：

from ultralytics import YOLO model = YOLO("yolov8m.pt") model.predict( source="frames/", imgsz=640, conf=0.30, max_det=100, save_txt=True, save_conf=True, classes=[39, 41, 44, 62] )

这段代码的输出是每张图片同名的 txt，格式为class x_center y_center width height conf。conf=0.30控制伪标签的召回率，调低到 0.2 能多检一些小目标，代价是垃圾框增多；classes是 COCO 类别索引过滤，只保留瓶子、杯子、碗、椅子等可能与垃圾相关的类。预标注的价值不是一次到位，而是让标注员在已有框的基础上去增补漏检、调整错框，这个流程能把纯人工时间压缩到原来的三分之一左右。

生成的伪标签可以直接导入 Label Studio 或 CVAT。转换时注意把 YOLO 格式的中心点脚标换算成 COCO 的左上角坐标，导入后人工逐张修正。不要直接把伪标签当训练标签用，垃圾场景下烟蒂和泡沫的漏检率通常超过 60%。

3.4 人工修正后的抽检一致性检查

标注完成后要做一次双人一致性检查。抽 100 张已修正图片，让另一个人完全重新标，计算两组框之间的 IoU。合格线大致是：简单场景 IoU 大于等于 0.7 一致，复杂场景大于等于 0.5 一致，完全漏标率小于 2%。如果“完全漏标”超过 5%，说明标注规范没有落地，要在第 2 章的文档里补充典型图，而不是继续标下去。

分类一致性同样要查。垃圾场景中塑料袋与塑料膜、布料与渔网很容易互相串类，建议把验证集上互相误标比例高的类直接合并。串类问题靠模型再训练是压不掉的，根源在训练标签就已经错了。

4. 用 YOLOv8 把垃圾目标检测数据集训练成可用模型

4.1 train/val 划分必须在视频层级做

划分数据集时我见过最多的错误，是在帧层面随机切分。同一个视频前半段进 train、后半段进 val，两批画面背景高度重叠，最后验证 mAP 虚高到 0.85 以上，换新场景立刻掉回 0.5。正确做法是按视频文件分桶：每个视频的所有帧只能进单侧集合，公开集则按拍摄场景分组。

此时准备一份数据配置：

path: ./garbage_det train: images/train val: images/val names: 0: plastic_bottle 1: can 2: glass_bottle 3: foam 4: plastic_bag 5: cigarette_butt 6: fabric 7: brick 8: tire

names的值必须从 0 开始连续编号。如果抽帧脚本生成了类别的概率，不要把它当最终监督信号；有噪声的伪标签可以在预训练阶段用，进入正式训练前必须经过人工确认。

4.2 训练命令与必调参数

我用 YOLOv8 训练垃圾检测模型时，通常从 s 而不是 n 起步。n 对小目标漏检严重；m 对小目标更好，但需要更大 batch 和更长训练时间。基础命令如下：

yolo train \ data=garbage_data.yaml \ model=yolov8s.pt \ imgsz=640 \ batch=16 \ epochs=100 \ close_mosaic=10 \ patience=20 \ project=garbage_exp \ name=run1

参数按垃圾场景的实际情况说明：

model=yolov8s.pt：加载 COCO 预训练权重，迁移效率远高于从零训练。如果你的垃圾类别与 COCO 重合度不高，仍然推荐用它初始化，因为低层特征可以迁移。
imgsz=640：对烟蒂这种 16×16 像素的目标，640 输入下它只占图宽的 2.5%。显存足够时调到 960，小目标 AP 提升非常明显，代价是训练时间翻倍。
close_mosaic=10：最后 10 个 epoch 关闭 mosaic。YOLOv8 的 mosaic 把 4 张图拼在一起，大量小目标在裁剪时被切碎，训练后期恢复真实分布有助于收敛。
patience=20：连续 20 个 epoch 验证集无提升则早停，避免过拟合到重复帧。

显存不够时用batch=-1让 Ultralytics 自动探测最大 batch。我一般不推荐开rect=True，虽然它能省显存，但会让 batch 内做矩形 padding，导致尺度分布不稳定，与垃圾检测的小目标需求相冲突。

4.3 评估：小目标和大目标必须分开看

训练完成后第一件事不是看总 mAP，而是逐个类别看 AP：

yolo val model=garbage_exp/run1/weights/best.pt data=garbage_data.yaml imgsz=640

输出结果中重点关注每类的mAP50和mAP50-95。垃圾检测最常见的失败模式是某个小目标类别 AP50 低于 0.5，而瓶子、砖块这类大目标 AP50 超过 0.85。出现这种两极分化，先不要调模型，回去看标注框的面积分布：如果烟蒂类超过 90% 的框面积小于 32×32，且样本量不足 100，补数据比调参更有效。

混淆矩阵也要打开。垃圾类别中最常互相串的是塑料袋和泡沫、布料和渔网。如果 val 集显示这两个类互相误判率超过 20%，优先怀疑标注边界不一致，而不是模型能力不够。此时重新抽看原始图，往往会发现当初类别树就没定清楚。

5. 部署前最后一步：给垃圾检测数据集做定向增强

5.1 Copy-Paste 增强长尾类

垃圾检测与其他场景不同：垃圾目标常孤立出现，遮挡少，适合把同一目标复制到多个背景中。这比从零采集更多“同目标不同环境”的照片便宜得多。常见做法是用 Python 读取已有标注框，把目标裁剪并旋转后粘贴到另一张无该目标的前景图上，同时把新框写入标签。贴小目标时注意做轻微的缩放和亮度扰动，否则模型会学习到“复制品”的固定纹理。

5.2 用光照和天气扰动提升泛化

垃圾素材大多来自晴天白天，雨天、逆光、黄昏场景严重量不足。可以在训练流程里加随机亮度和对比度扰动，也可以直接用 albumentations 的随机伽马变换模拟不同光照。水面漂浮垃圾还要加模糊和细小雨纹噪声，这类增强对岸线巡检视频尤其有效。我的经验是：增强幅度要克制，过强的 hue 扰动会让模型把“绿色树叶”和“绿色瓶子”混在一起。