垃圾分类数据集与代码实战：从图像分类到YOLOv8训练全指南-平芜编程栈

简介：面向垃圾分类算法入门与实践的完整资料包，适合正在学习图像识别、神经网络及 OpenCV 的学生或开发者。数据集涵盖硬纸板、纸张、塑料瓶、玻璃瓶、铜制品与不可回收垃圾六大类，代码基于 TensorFlow、Keras、NumPy 和 OpenCV 构建，并提供了完整的训练与预测流程：训练脚本负责搭建模型并迭代权重，预测脚本可读取任意图片路径直接输出所属类别；同时还包含图片预处理和结果可视化等辅助脚本，便于理解从数据准备到模型评估的每个环节。资源共 7 个文件，以 5 个 Python 脚本为主，另含 1 个预训练 H5 权重文件和 1 个数据集压缩包，整体大小约 161 MB，目录结构简洁，解压后即可按脚本分工快速跑通。目前已有 30634 人学习下载，可作为垃圾分类课程设计、图像分类竞赛或毕业设计的入门参考，也适合通过替换数据集迁移到其他多类别识别任务。

1. 垃圾分类数据集及代码：先想清楚“分什么类”再动手

垃圾分类数据集及代码，乍看是两样东西：一堆图片和一段训练脚本。真正把这两样东西拼成可用模型的人会发现，卡住他们的从来不是代码本身，而是数据没统一、类别没定准、跑了几天验证集分数挺高、落地一测就翻车。这套任务本质是一个图像分类或目标检测工程，和“识猫识狗”的区别在于：类别之间长得像，场景又脏又乱，而且很多公开数据集是从竞赛或园区项目里拆出来的，格式和分类口径都不一样。

这篇文章适合三类人：想快速搭一个分类演示或课程设计的人，想用 YOLOv8 训练自己数据集的工程师，以及已经在跑但效果不如预期、想系统排查问题的人。核心思路是先定分类体系，再统一数据格式，然后选分类还是检测的路线，最后把训练和部署之间的坑逐个填平。下面按这个顺序展开，每一步都能直接抄。

2. 数据集怎么选、怎么整理：分类体系、公开来源与格式统一

2.1 四分类还是细分类：先定坐标再定数据集

垃圾分类没有一个通用标准，不同城市、不同小区、不同竞赛定义都不一样。常见的公开数据集大体分两套坐标：一套是四分类，也就是可回收物、厨余垃圾、有害垃圾、其他垃圾；另一套是细分类，从十几个类别到几十个类别不等，比如塑料瓶、易拉罐、玻璃、电池、果皮、一次性餐具。选哪套，决定了后面所有代码都要改，所以第一步不是下载数据，而是问自己：这个模型到底用在哪里。

如果只是做小区垃圾桶旁的识别提示，四分类就够了，模型简单，数据也好找。如果是做分拣机器人或者智能回收箱，需要告诉机械臂“这是矿泉水瓶、不是饮料瓶”，那必须走细分类。细分类的坑在于公开数据集质量参差不齐，一个“塑料瓶”类别里可能混着洗发水瓶、药瓶，甚至一个空瓶和一个压扁的瓶在语义上就不同。我的建议是从小处着手：先用四分类跑通流程，再挑其中易混的类别做二级模型或加样本。

公开来源方面，常见做法是去百度飞桨 AI Studio、Kaggle 这类平台找现成的垃圾分类图集，也有高校论文附带的数据集。下载后不要急着训练，先看目录结构。有的包是 ImageFolder 风格，一个类别一个文件夹；有的是 CSV 文件记录图片路径和标签；还有一些是检测格式，带 XML 或 JSON 标注文件。这三种格式对应完全不同代码路径。很多人上来就写ImageFolder加载，结果发现数据里混着标注文件，训练脚本直接跳过所有图片，这是最常见的翻车点。

2.2 把原始图片整理成可训练目录：一个校验脚本

无论下载的数据是什么格式，我都建议先统一成“train/类别名/图片文件”和“val/类别名/图片文件”的目录结构。这样做有两个好处：第一，PyTorch 的ImageFolder和 YOLO 的分类模式都能直接消费；第二，后面做类别增删、合并时，只需要改文件夹，不用改代码。

下面这个脚本做三件事：扫描原始目录下的所有图片、校验图片是否完整、按指定数量比例复制到目标目录。直接保存为prepare_clean.py运行。

import os import shutil import random from pathlib import Path from PIL import Image source_root = Path("raw_dataset") # 下载数据解压后的根目录 target_root = Path("trash_dataset") # 整理后的目标目录 category_names = ["recyclable", "kitchen", "hazardous", "other"] train_ratio = 0.85 seed = 42 min_side = 32 # 过滤掉长宽任意一边小于 32px 的图 random.seed(seed) def verify_image(path): try: with Image.open(path) as im: im.load() w, h = im.size except Exception: return False return min(w, h) >= min_side for cat in category_names: src_cat_dir = source_root / cat if not src_cat_dir.exists(): print(f"[warn] 缺类别目录: {src_cat_dir}") continue good_paths = [] for p in src_cat_dir.iterdir(): if p.suffix.lower() not in {".jpg", ".jpeg", ".png", ".bmp"}: continue if verify_image(p): good_paths.append(p) else: print(f"[bad] {p} 跳过：损坏或分辨率过低") if len(good_paths) == 0: print(f"[warn] {cat} 没有可用图片") continue random.shuffle(good_paths) n_train = int(len(good_paths) * train_ratio) for split, paths in [("train", good_paths[:n_train]), ("val", good_paths[n_train:])]: out_dir = target_root / split / cat out_dir.mkdir(parents=True, exist_ok=True) for p in paths: shutil.copy2(p, out_dir / p.name) print(f"{cat} {split}: {len(paths)} 张") print("整理完成")

这段脚本里verify_image是防止训练中途卡死的关键。Image.open本身是惰性的，只读文件头，不真正解码，所以必须调用im.load()强制读完像素数据，截断的 JPEG 和伪装成图片的文本文件在这里都会被揪出来。min_side过滤小图，是为了避免模型在高分辨率原图上适配不了，后面统一缩放时又放大模糊图。

训练集和验证集的比例，我一般用 85:15 而不是 8:2，因为垃圾图片通常总量不多，验证集留 15% 足够看出模型真实水平，留太多反而让训练集更少。注意seed = 42固定随机顺序，保证两次整理结果一致，否则你后面复现实验结果时怎么都解释不了分数波动。

2.3 类别不平衡与数据清洗：决定模型上限的两件事

分类模型的上限不是网络结构决定的，而是数据分布决定的。垃圾分类公开数据集的通病是厨余垃圾图片远多于有害垃圾，一个极端情况下“其他垃圾”占了训练集的 60%，模型学到的其实是“猜大多数类”，而不是“识别垃圾”。这种问题在验证集上还不太明显，因为验证集同样不平衡，准确率虚高。落地之后有害垃圾这个类别几乎全废。

应对办法有两个层面。第一层是数据层面：对样本少的类别做翻倍增强，旋转、翻转、随机裁剪、色彩抖动都可以；对样本多到冗余的类别做随机下采样。第二层是训练层面：在损失函数里按类别样本数的倒数加权，或者用WeightedRandomSampler让每个 batch 里各类别出现概率接近。我通常两个都做，但以数据层面为主，因为增强还能顺带提升模型的抗干扰能力。

清洗同样关键。公开数据集的标签错误率往往在 5% 以上，常见的是把“一次性餐盒”标成“塑料瓶”、“骨头”标成“其他”。这类噪声在训练集里模型还能硬扛一部分，但在验证集里会直接影响你对模型真实精度的判断。建议整理完目录后，每个类别随机抽 20 张图人工过一遍，发现明显错标就把文件移出目录。二十张图花不了十分钟，却能省掉后面几天的无用调参。

3. 用 PyTorch 跑通分类基线：模型选型与最小训练代码

3.1 分类还是检测：垃圾桶边有两个典型场景

标题里有“代码”，很多人期望一段代码跑完出结果，但代码是跟着场景走的。垃圾分类有两种典型落地场景：一种是摄像头拍一张垃圾桶照片，告诉用户“这个垃圾属于哪类”，只需要给整张图一个类别标签，这是图像分类；另一种是智能回收箱的识别仓，需要定位垃圾在画面里的位置，判断里面有没有多个物品，这是目标检测。

先分清场景再选模型，能省不少力气。如果目标是判断传送带上的单个垃圾，分类模型最简单也最稳；如果目标是模拟真实垃圾桶里堆叠的场景，分类模型会明显不够用，因为袋子、瓶子叠在一起，模型看到的特征是一片混乱。多数公开数据集是按分类任务组织的，也就是一张图一个标签，所以先用分类模型跑通基线是对的，但这不代表最后部署也是它。

3.2 最小可训练的分类代码：ResNet18 从数据加载到反向传播

下面这段代码是我常用的最小训练骨架，用 ResNet18 做主干，适配四分类任务。结构上保持最简，去掉分布式、TensorBoard 这些对新手不友好的东西，目的是先让训练转起来，再谈优化。

import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms, models device = "cuda" if torch.cuda.is_available() else "cpu" train_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(0.2, 0.2, 0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) val_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) train_data = datasets.ImageFolder("trash_dataset/train", transform=train_transform) val_data = datasets.ImageFolder("trash_dataset/val", transform=val_transform) train_loader = DataLoader(train_data, batch_size=32, shuffle=True, num_workers=4, pin_memory=True) val_loader = DataLoader(val_data, batch_size=32, shuffle=False, num_workers=4, pin_memory=True) model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT) model.fc = nn.Linear(model.fc.in_features, len(train_data.classes)) model = model.to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9, weight_decay=1e-4) for epoch in range(20): model.train() total_loss = 0.0 for images, labels in train_loader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() total_loss += loss.item() * images.size(0) model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) preds = outputs.argmax(dim=1) correct += (preds == labels).sum().item() total += labels.size(0) val_acc = correct / total print(f"epoch {epoch+1:02d} | loss {total_loss/len(train_data):.4f} " f"| val acc {val_acc:.4f}")

这段代码有几个地方要说明。shuffle=True只对训练集开，验证集保持固定顺序，保证每个 epoch 的评估结果可比。num_workers=4让数据加载并行，如果机器内存紧张就改 2 或 0。model.fc = nn.Linear(...)是把 ResNet18 最后的 1000 类全连接层换成自己的类别数，这里len(train_data.classes)会自动读取四个子文件夹的名称。

训练循环里我每轮都做一次验证，而不是全部训完再看结果，因为垃圾分类的模型在 5 到 8 个 epoch 后验证集准确率就会进入平台期，早停能省时间。CrossEntropyLoss自带 softmax，所以模型输出不需要额外套一层softmax，只在推理时用argmax(dim=1)取类别序号。注意optimizer.zero_grad()必须在每个 batch 开始前调用，否则梯度会累加，这是新手最容易踩的坑。

3.3 参数怎么调：学习率、batch size 与验证间隔

给一张参数表，照着调基本不会跑偏。这里我按从“能跑”到“跑得好”的顺序讲。

参数	常见取值	影响	调参建议
输入尺寸	224x224	越大细节越多，显存占用越高	先用 224，遇明显看不清的类别再上 320
学习率	0.001	过大损失爆炸，过小收敛慢	用预训练模型时保持 0.001，不微调可试 0.0001
batch size	16~64	太大容易过拟合并占显存	显存 6G 以下用 16，以上用 32
epochs	15~30	分类任务通常 20 轮内饱和	观察 val acc 连续 5 轮不升就停
weight_decay	1e-4	正则化，抗过拟合	数据少时必开，别设 0
num_workers	2~8	数据加载速度	内存小就设 2，设太高会卡死

验证间隔上，我不建议每个 epoch 都存模型权重，磁盘会很快塞满。正确做法是每个 epoch 结束后比较当前 val acc 和历史上最好的一次，只有超过才覆盖保存best_model.pt。这样训练完你手里只有一个文件，不会在几十个权重里纠结哪个是好的。

有个经验：如果 loss 一直在降、val acc 纹丝不动，先怀疑数据，不要怀疑网络。常见原因包括验证集太简单、训练集和验证集之间信息泄漏，或者是某个类别样本太少导致模型只盯住了大类别。这时去打印每个类别的精确率和召回率，比换模型更管用。

4. 处理数据集用于 YOLOv8 训练：从标注格式到训练命令

4.1 为什么要用 YOLOv8 做垃圾分类：检测任务的两个理由

把垃圾分类做成目标检测，最常见的理由是垃圾桶里不只有一个垃圾。分类模型擅长回答“这张图里最主要的物体是什么”，但当画面里同时出现塑料袋、纸盒、易拉罐和半杯奶茶时，分类模型只能输出一个标签，检测模型却能给出多个“框+类别”的组合。另一个理由是回收箱的识别仓需要定位坐标，机械臂或翻板要根据坐标做后续动作，这已经超出了分类的范畴。

所以当你的场景是“拍一张照片，输出画面里每个垃圾的类别和位置”，就走 YOLO。YOLOv8 是目前比较好上手的框架，安装简单，训练命令短，自带的标注数据和预训练权重生态也比较完整。下面我会按“数据准备 → 标注转换 → 训练 → 推理”把这条路走通。

4.2 把标注转成 YOLO 需要的 txt：坐标换算脚本

YOLO 训练不认文件夹分类，它需要每个图片对应一个 txt，里面写类别序号 x_center y_center width height，四个坐标全部归一化到 0~1。公开数据集里最常见的标注格式是 VOC 的 XML，两个格式之间就差一个坐标换算脚本。我这里给一个从 VOC XML 转 YOLO txt 的通用脚本。

import xml.etree.ElementTree as ET from pathlib import Path class_names = ["recyclable", "kitchen", "hazardous", "other"] xml_dir = Path("voc_annotations") out_dir = Path("yolo_labels") out_dir.mkdir(exist_ok=True) for xml_path in xml_dir.glob("*.xml"): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in class_names: continue class_id = class_names.index(name) bndbox = obj.find("bndbox") xmin = float(bndbox.find("xmin").text) ymin = float(bndbox.find("ymin").text) xmax = float(bndbox.find("xmax").text) ymax = float(bndbox.find("ymax").text) x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h box_w = (xmax - xmin) / img_w box_h = (ymax - ymin) / img_h lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} " f"{box_w:.6f} {box_h:.6f}") out_path = out_dir / (xml_path.stem + ".txt") out_path.write_text("\n".join(lines), encoding="utf-8") if not lines: print(f"[warn] {xml_path.name} 没有任何合法标注")

这段脚本里最容易算错的是坐标归一化。注意分母必须是图片的真实宽高img_w和img_h，不是标注框的宽高。很多人在这一步直接把 xmin、xmax 除以 224 或 640，得到的结果全是大于 1 的非法坐标，训练时要么随机崩，要么 loss 变成 NaN。另一个坑是 XML 里可能引用了图片里根本没出现的类别名，脚本里用if name not in class_names: continue直接跳过，避免类别索引越界。

转换完成后，还要把图片和 txt 按 YOLO 要求的目录结构摆好，txt 和对应图片的主文件名要完全一致。我见过不少人把标注文件导出了，却忘记把图片一起复制到新目录，训练时大量图片“缺标签”被静默跳过，一个 epoch 跑完 loss 居高不下。

4.3 训练与推理：yaml 配置、命令与参数

YOLOv8 用data.yaml告诉训练脚本数据在哪里、类别叫什么。在trash_dataset根目录下新建一个trash.yaml：

path: C:/Users/you/trash_dataset # 改成你的绝对路径 train: images/train val: images/val names: 0: recyclable 1: kitchen 2: hazardous 3: other

注意path不建议写相对路径，因为这样会和训练命令的当前工作目录耦合，换个目录跑就报错。train和val是相对path的子目录，目录下直接放图片，不需要按类别分子文件夹。

然后用一行命令启动训练：

yolo detect train \ data=trash.yaml \ model=yolov8n.pt \ epochs=50 \ imgsz=640 \ batch=16 \ device=0

参数说明：yolov8n.pt是 nano 版预训练权重，显存占用小，适合先验证数据是否有问题；确认可行后再换yolov8s.pt或yolov8m.pt提升精度。imgsz=640是训练输入尺寸，不要盲目改大，尺寸翻倍显存占用约翻四倍。batch=16在 8G 显存上比较稳，如果显存溢出，优先降到 8，而不是换小模型。device=0指定第一块 GPU，CPU 环境改成device=cpu，但训练时间会非常可观。

训练结束后，模型保存在runs/detect/train/weights/best.pt。用下面的命令对单张图或整个文件夹做推理：

yolo detect predict model=runs/detect/train/weights/best.pt \ source=test_images/ \ save_txt=True \ conf=0.25

save_txt=True会保存检测结果的坐标文件，方便你拿去算 mAP 或者接后续程序。conf=0.25是置信度阈值，落地场景建议提到 0.4 以上，因为垃圾分类的误报比漏报更让用户反感——把矿泉水瓶识别成有害垃圾，比识别不出来更破坏信任。

5. 垃圾分类训练避坑清单：五个高频问题与排查方法

5.1 数据阶段的翻车：坏图片、错标签与不成比例的类别

坑一：训练到一半报PIL.UnidentifiedImageError。现象是前几个 epoch 正常，突然中断，报错指向某个图片打不开。原因是有图片文件虽然后缀是.jpg，但实际内容损坏，或者是一张 0 字节的空文件。解决方法是回看 2.2 节的校验脚本，在训练前把所有图片im.load()一遍过滤掉。不要觉得这个概率低，公开数据集里图片数量上万时，坏图几乎是必现的。

坑二：验证集准确率很高，真实场景一测就废。现象是训练时 val acc 到 0.95，拿到园区实拍照片上只有 60%。原因是验证集和训练集来自同一个数据源，甚至同一批拍摄环境，模型学到的是背景特征而不是垃圾本身：瓶子的纹理没记住，记住了照片里的白色桌面。解决方法是按拍摄地点或时间段划分验证集，而不是随机划分；更稳妥的做法是单独预留一部分实际场景的照片，训练过程完全不碰，最后只用来做最终评估。

坑三：有害垃圾类别样本太少，模型完全学不会。现象是训练 loss 在下降，但看每个类别的召回率，有害垃圾几乎是 0。原因是数据不平衡，模型把所有样本都猜成占多数的类别就能拿到很低的 loss。解决方法是先统计各类别数量，再对少数类做增强或复制，同时给CrossEntropyLoss传入weight向量，让少数类的错误惩罚更重。加了这两步之后，再看每个类别的召回率曲线，而不是整体准确率。

5.2 训练与推理阶段的踩坑：显存溢出、误检与文件夹结构陷阱

坑四：显存溢出 OOM，训练一启动就死。现象是跑 YOLO 或 ResNet 时报CUDA out of memory。原因无非两个：batch size 太大，或者输入尺寸太大。解决方法是先把 batch 降到 8、imgsz降到 640，确认能起步再往上加。另外检查是否有其他进程占着 GPU，用nvidia-smi看显存占用，训练机的 GPU 上挂着桌面窗口或推理服务都会挤占显存。还有一个很容易忽略的点：num_workers太高时，数据加载进程会复制一部分显存，4G 小显存卡把num_workers设成 0 或 2 也能缓解 OOM。

坑五：推理时把破碎塑料瓶框出来了，但品牌文字干扰严重。现象是模型检测结果飘忽不定，同一个瓶子的置信度在 0.3 和 0.85 之间跳。原因是训练数据里正面、干净、完整瓶子太多，而真实场景是压扁的、反光的、带标签的、半遮挡的。解决方法不是盲目的改成更大的模型，而是做针对性增强：随机旋转、随机裁剪、模拟遮挡，以及把训练集里过“干净”的样本减少一些。检测模型对形状和边缘更敏感，适当引入运动模糊和亮度变化，往往比换 backbone 更见效。

这类问题排查时，我的习惯是先把验证集结果画出来，看预测框和真实框的偏差集中在哪。偏差都在目标中心附近但漏检多，可能是训练数据太少；偏差完全随机且置信度极低，多半是数据格式没对齐，训练根本没看到真实标注。这两个方向找错，后面调参都白搭。

6. 从训练到落地：模型导出、易混淆类处理与验证习惯

训练出best.pt只是开始，落地部署阶段还有两件事值得提前做：导出成 ONNX 格式，以及处理易混淆类。

yolo export model=runs/detect/train/weights/best.pt format=onnx opset=12这行命令可以把模型导出为标准 ONNX，之后用 ONNX Runtime 或 TensorRT 都能加载，不再依赖 Ultralytics 的 Python 环境。导出的模型在推理机上不需要装 PyTorch，依赖少、启动快，也更适合嵌进摄像头程序或边缘设备里。如果只用 Python 做演示，这一步可以跳过，但凡是上真机的项目，我都不建议直接拿.pt文件去部署，环境差异会把简单的事拖成半天。

易混淆类是这个领域最考验细节的地方。厨余垃圾里的大骨头、玉米棒和椰子壳，在四分类模型里经常互相误判，因为它们全是高含水、纤维多的形态。我的处理习惯不是硬调模型，而是在四分类模型之上再加一个“厨余细分类”小模型：先判断大类，再在厨余类内部细分。这种做法比直接训练一个二十分类的单模型要稳，因为每个模型的任务更简单，训练数据也能各自优化。另一个折中做法是干脆把易混淆类合并成一个“难分厨余”类，宁可让用户听到一个模糊分类，也不要给一个高置信度的错误答案。

验证习惯上，我不太信任单一准确率数字。每次迭代完，我会先看每个类别的混淆矩阵，再抽查错误样本的实际图片。模型在验证集上 0.95 的准确率，并不能告诉我它是不是把一个矿泉水瓶当成了玻璃瓶，所以我现在养成了一个习惯：每次训练完，把预测错误的前 20 张图自动保存到一个文件夹里，逐个看是标注问题、遮挡问题还是模型问题。这个文件夹比任何训练曲线都更能说明下一步该怎么调。希望帮到你。

写作说明：