简介：这是一套面向计算机、人工智能、自动化等专业学生与教师的Python垃圾分类系统毕业设计资源，包含完整源码与部署指南，适合作为期末课程设计、大作业或毕设参考，也便于基础较好的学习者在此基础上二次开发。资源包共126个文件，约66.06MB，涵盖20个Python脚本、13个Jupyter Notebook、12个Vue前端组件、18张运行截图及若干JSON、HTML、Markdown、PDF、Word文档与ONNX模型文件，从算法训练、前后端实现到部署配置均有覆盖，并附有参考报告与课程实践模板，目录结构清晰，便于按模块查阅。目前已有104人学习下载。整体项目经过调试测试，答辩评审分达98分，读者可据此快速理解垃圾分类识别流程、模型调用方式与系统部署思路，减少从零搭建的时间成本，对撰写论文与准备答辩具有较高的借鉴价值。
1. 从一张宿舍楼下的垃圾桶照片说起：垃圾分类系统到底在做什么
去年帮学弟看毕业设计，他选题是"基于 Python 的垃圾分类系统"，开题报告写了八页，代码却只有两百行——一个 Flask 页面加一个调模型接口的函数，连数据集长什么样都没见过。答辩前一周他来找我，说老师问"你的模型在哪些类别上翻车最多"，他答不上来。这不是个例，每年计算机毕业设计里，垃圾分类系统是被选得最多、也最容易被做浅的题目之一。
这个标题背后其实是一条完整的工程链路：图像采集、数据清洗、模型训练、推理服务、前端交互、部署上线。它解决的核心问题是——把一张随手拍的垃圾照片，映射到"可回收物 / 厨余垃圾 / 有害垃圾 / 其他垃圾"四分类中的一类，并且给出足够快的响应。适合谁做？适合想拿一个能跑通、能演示、能讲清楚技术细节的计算机毕业设计的学生，也适合想练一遍"从数据集到 Web 服务"完整流程的 Python 入门者。下面我按自己带过几届毕设的经验，把这条链路拆开讲，源码结构和部署步骤都会落到能直接抄的程度。
2. 垃圾分类系统的技术选型：为什么是 CNN 而不是规则匹配
2.1 图像分类任务的本质与模型选型逻辑
垃圾分类识别在算法层面就是一个标准的图像分类问题。输入是 RGB 图像，输出是四类概率分布。有人会想用颜色直方图或者边缘检测做规则匹配，比如"绿色的是厨余、蓝色的是可回收"——这条路在实验室里能跑出 60% 左右的准确率，但一换光照、一换拍摄角度就崩。原因很简单：垃圾的视觉特征不是颜色决定的，塑料瓶可以是透明的，纸盒可以是彩色的，规则匹配无法覆盖这种类内差异。
所以主流做法是卷积神经网络。选型上有三个梯队：ResNet50 精度稳但参数量 25M，MobileNetV3 参数量只有 5M 左右、推理快，EfficientNet-B0 在精度和速度之间平衡得不错。毕业设计场景我一般推荐 MobileNetV3-Small 或 ResNet18，理由是：训练在单张消费级显卡甚至 CPU 上能跑完，推理延迟在 50ms 以内，答辩演示不会卡。如果你追求更高的精度且实验室有卡，可以上 ResNet50 做对比实验，这本身就是论文里的一节。
数据集方面，公开可用的有 TrashNet（2527 张，6 类）和华为云垃圾分类数据集（约 1.5 万张，40 类）。TrashNet 类别少、图片干净，适合快速跑通；华为云那个类别细、噪声大，适合做数据增强和难例挖掘的章节。我的建议是先用 TrashNet 跑通全流程，再换大数据集做提升，这样论文有对比、有故事。
2.2 从零搭一个可训练的项目骨架
项目目录结构决定了你后期改代码会不会痛苦。我见过太多毕设把所有代码塞在一个main.py里，改一个参数要翻三百行。下面是我常用的骨架：
garbage-classify/ ├── configs/ │ └── default.yaml # 超参数、路径配置 ├── data/ │ ├── raw/ # 原始图片，按类别分文件夹 │ └── split/ # 划分后的 train/val/test ├── src/ │ ├── dataset.py # Dataset 与 DataLoader │ ├── model.py # 模型定义 │ ├── train.py # 训练循环 │ ├── evaluate.py # 评估与混淆矩阵 │ └── predict.py # 单图推理 ├── app/ │ └── server.py # Flask 接口 ├── requirements.txt └── README.md配置文件用 YAML 而不是硬编码，是为了让答辩老师一眼看到你的超参数是可管理的。configs/default.yaml内容大致如下：
data: root: data/split num_classes: 4 image_size: 224 batch_size: 32 num_workers: 4 model: name: mobilenet_v3_small pretrained: true train: epochs: 30 lr: 0.001 weight_decay: 0.0001 device: cuda参数说明：image_size设 224 是因为 ImageNet 预训练权重默认输入尺寸，改了要同步改模型第一层；batch_size32 是 8G 显存下的安全值，显存小就降到 16；num_workers在 Windows 上设 0 更稳，Linux 上设 4 能加速数据加载。pretrained: true是关键——从 ImageNet 权重微调，比从零训练收敛快得多，小数据集上精度能差 15 个点以上。
2.3 数据划分与增强：别让测试集泄漏进训练集
数据划分是最容易翻车的地方。很多人直接把所有图片按 8:2 随机分，结果同一张图的不同角度版本同时出现在训练集和测试集里，测试准确率虚高到 98%，一上真实场景就掉到 60%。正确做法是按"原始来源"分组划分，同一来源的图片只能进一个集合。
import os import random import shutil from pathlib import Path def split_dataset(raw_dir, out_dir, ratios=(0.7, 0.15, 0.15), seed=42): random.seed(seed) raw = Path(raw_dir) out = Path(out_dir) for cls_dir in raw.iterdir(): if not cls_dir.is_dir(): continue imgs = list(cls_dir.glob("*.jpg")) + list(cls_dir.glob("*.png")) random.shuffle(imgs) n = len(imgs) n_train = int(n * ratios[0]) n_val = int(n * ratios[1]) splits = { "train": imgs[:n_train], "val": imgs[n_train:n_train + n_val], "test": imgs[n_train + n_val:], } for split_name, files in splits.items(): target = out / split_name / cls_dir.name target.mkdir(parents=True, exist_ok=True) for f in files: shutil.copy(f, target / f.name) print(f"{cls_dir.name}: train={len(splits['train'])}, " f"val={len(splits['val'])}, test={len(splits['test'])}") if __name__ == "__main__": split_dataset("data/raw", "data/split")这段脚本按类别分别划分，保证每个类别的训练/验证/测试比例一致，避免某类样本全进了训练集导致验证时该类无法评估。seed=42固定随机种子，保证你论文里的数据可复现——答辩老师如果让你重跑，结果要能对上。
数据增强用 torchvision 的 transforms 组合：随机裁剪、水平翻转、颜色抖动。注意垃圾分类场景下不要用垂直翻转，因为垃圾不会倒着放，垂直翻转会引入不真实的样本。颜色抖动幅度也别太大，否则透明塑料瓶和玻璃瓶的区分特征会被破坏。
3. 训练、评估与推理：把模型跑出能写进论文的数字
3.1 训练循环的关键参数与早停策略
训练脚本的核心是损失函数、优化器和学习率调度。垃圾分类四分类用交叉熵损失就够，类别不均衡时加weight参数。优化器选 AdamW，学习率 1e-3 配合余弦退火，比固定学习率收敛更平滑。
import torch import torch.nn as nn from torch.optim import AdamW from torch.optim.lr_scheduler import CosineAnnealingLR from torchvision import models def build_model(num_classes=4, pretrained=True): weights = models.MobileNet_V3_Small_Weights.DEFAULT if pretrained else None model = models.mobilenet_v3_small(weights=weights) in_features = model.classifier[3].in_features model.classifier[3] = nn.Linear(in_features, num_classes) return model def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss, correct, total = 0.0, 0, 0 for imgs, labels in loader: imgs, labels = imgs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(imgs) loss = criterion(outputs, labels) loss.backward() optimizer.step() total_loss += loss.item() * imgs.size(0) correct += (outputs.argmax(1) == labels).sum().item() total += imgs.size(0) return total_loss / total, correct / total # 早停：验证集 loss 连续 5 轮不降就停 best_val_loss = float("inf") patience, wait = 5, 0 for epoch in range(cfg["train"]["epochs"]): train_loss, train_acc = train_one_epoch(model, train_loader, optimizer, criterion, device) val_loss, val_acc = evaluate(model, val_loader, criterion, device) scheduler.step() if val_loss < best_val_loss: best_val_loss = val_loss torch.save(model.state_dict(), "best.pth") wait = 0 else: wait += 1 if wait >= patience: print(f"Early stop at epoch {epoch}") break print(f"Epoch {epoch}: train_loss={train_loss:.4f} train_acc={train_acc:.4f} " f"val_loss={val_loss:.4f} val_acc={val_acc:.4f}")逻辑说明：每个 epoch 先训练再验证，验证 loss 创新低就保存权重，连续 5 轮不降就提前停。这样既防止过拟合，又省训练时间。torch.save只存state_dict而不是整个模型，文件小、加载灵活。注意model.train()和model.eval()必须成对出现，忘了切 eval 模式，BatchNorm 和 Dropout 会在验证时继续更新，验证指标会飘。
3.2 混淆矩阵：找出模型到底在哪两类之间犯迷糊
准确率是个笼统指标，答辩时老师更想看混淆矩阵。四分类的混淆矩阵能直接告诉你：厨余和其他垃圾是不是经常混，可回收和有害垃圾有没有分不清。
import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix, classification_report def plot_confusion(model, loader, device, class_names): model.eval() preds, trues = [], [] with torch.no_grad(): for imgs, labels in loader: imgs = imgs.to(device) out = model(imgs).argmax(1).cpu().numpy() preds.extend(out) trues.extend(labels.numpy()) cm = confusion_matrix(trues, preds) print(classification_report(trues, preds, target_names=class_names)) fig, ax = plt.subplots(figsize=(6, 5)) im = ax.imshow(cm, cmap="Blues") ax.set_xticks(range(len(class_names))) ax.set_yticks(range(len(class_names))) ax.set_xticklabels(class_names, rotation=45) ax.set_yticklabels(class_names) for i in range(len(class_names)): for j in range(len(class_names)): ax.text(j, i, cm[i, j], ha="center", va="center") plt.colorbar(im) plt.tight_layout() plt.savefig("confusion_matrix.png", dpi=150)classification_report会输出每个类别的 precision、recall、f1-score。如果某一类 recall 特别低，说明该类样本被大量误判，要么加样本，要么调类别权重。我做过的一个项目里，"有害垃圾"的 recall 只有 0.62，查下来是电池和药品包装的图片太少，补了 300 张后涨到 0.81。这个排查过程写进论文，比单纯报一个准确率有说服力得多。
3.3 Flask 推理接口：把模型变成能演示的服务
模型训练完，得有个界面能演示。Flask 是最轻的选择，一个上传接口加一个预测接口，前端用最简单的 HTML 表单就行。
from flask import Flask, request, jsonify, render_template from PIL import Image import torch import io from torchvision import transforms app = Flask(__name__) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = build_model(num_classes=4, pretrained=False) model.load_state_dict(torch.load("best.pth", map_location=device)) model.to(device).eval() CLASS_NAMES = ["可回收物", "厨余垃圾", "有害垃圾", "其他垃圾"] preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) @app.route("/") def index(): return render_template("index.html") @app.route("/predict", methods=["POST"]) def predict(): file = request.files.get("image") if not file: return jsonify({"error": "no image"}), 400 img = Image.open(io.BytesIO(file.read())).convert("RGB") tensor = preprocess(img).unsqueeze(0).to(device) with torch.no_grad(): probs = torch.softmax(model(tensor), dim=1)[0] idx = probs.argmax().item() return jsonify({ "class": CLASS_NAMES[idx], "confidence": round(probs[idx].item(), 4), "all": {CLASS_NAMES[i]: round(probs[i].item(), 4) for i in range(4)} }) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)参数说明：Normalize的均值和标准差必须和训练时一致，这是新手最常犯的错——训练用了 ImageNet 统计量，推理忘了加，准确率直接掉一截。unsqueeze(0)是给单张图补上 batch 维度。host="0.0.0.0"让局域网内其他设备也能访问，答辩时用手机拍一张就能演示。返回all字段是为了前端能画概率条，比只显示一个类别更有说服力。
4. 部署上线：从本地 Flask 到能长期跑的服务
4.1 环境依赖与 requirements 的坑
部署第一步是把依赖锁死。pip freeze > requirements.txt会把当前环境所有包都导出，包括无关的，建议手写核心依赖：
torch==2.1.0 torchvision==0.16.0 flask==3.0.0 pillow==10.1.0 numpy==1.26.0 scikit-learn==1.3.2 pyyaml==6.0.1 gunicorn==21.2.0版本号要写死，否则换台机器pip install可能装到不兼容的新版本。torch 和 torchvision 版本必须匹配，2.1.0 配 0.16.0，装错了会报undefined symbol之类的玄学错误。如果目标机器没有 GPU，装 CPU 版 torch 用pip install torch --index-url https://download.pytorch.org/whl/cpu，体积小很多。
4.2 用 Gunicorn 替代 Flask 自带服务器
app.run()是开发服务器，单线程、性能差、不能上生产。部署用 Gunicorn：
gunicorn -w 4 -b 0.0.0.0:5000 app.server:app --timeout 120-w 4是 4 个 worker 进程，一般设为 CPU 核数乘 2 加 1。--timeout 120是请求超时，模型首次加载慢，设小了会 502。注意 Gunicorn 在 Windows 上不支持，Windows 部署要么用 Waitress，要么直接上 Linux。我一般建议毕设部署用一台便宜的 Linux 云主机，把模型文件和代码传上去，用 systemd 托管 Gunicorn，开机自启。
4.3 模型加载慢与内存占用的优化
Flask 每个 worker 会各自加载一份模型，4 个 worker 就是 4 份内存。MobileNetV3 小模型还好，ResNet50 一份就 100M 左右，4 份 400M，小内存机器扛不住。解决办法有两个：一是减少 worker 数到 2，二是用torch.jit或 ONNX 导出模型，加载更快、内存更省。
# 导出 ONNX，推理时用 onnxruntime dummy = torch.randn(1, 3, 224, 224).to(device) torch.onnx.export( model, dummy, "model.onnx", input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}, opset_version=11, )导出后推理用onnxruntime.InferenceSession，不依赖 torch，内存占用能降一半以上，CPU 推理速度也更快。这一步在毕设里算加分项，能体现你考虑过部署成本。
5. 避坑与排查：那些答辩前夜才暴露的问题
5.1 训练准确率 99% 但演示时全错
现象：训练日志里验证准确率 0.99，答辩现场拍一张矿泉水瓶，模型判成"厨余垃圾"。 原因：训练集和测试集来自同一批网图，风格高度一致，模型学到的是背景和拍摄风格，不是物体本身。真实手机拍摄的光照、角度、背景完全不同，分布偏移导致崩溃。 解决：训练时加入强增强（随机旋转、透视变换、背景替换），并且留一部分自己手机拍的图作为"真实测试集"，不参与训练。论文里报告这个真实测试集的准确率，比报告网图测试集更有价值。
5.2 推理接口第一次请求超时
现象：服务启动后第一个请求要等十几秒才返回，后面就快了。 原因：模型权重是懒加载的，第一次请求才真正把权重读进内存并初始化计算图。 解决：在 Flask 启动时预热一次，用一张全零图跑一遍model(tensor)，把初始化开销提前到服务启动阶段。Gunicorn 的--preload参数也能让 master 进程先加载再 fork，避免每个 worker 重复加载。
5.3 中文类别名在接口里变成乱码
现象：返回的 JSON 里"可回收物"显示成\u53ef\u56de\u6536\u7269。 原因：Flask 的jsonify默认ensure_ascii=True，把非 ASCII 字符转义了。 解决：app.config["JSON_AS_ASCII"] = False，或者用json.dumps(..., ensure_ascii=False)手动构造响应。前端fetch拿到后正常解析即可，不影响功能，但演示时看着别扭。
5.4 换机器后 torch 报 CUDA 版本不匹配
现象：本地训练好的模型拷到服务器，torch.load报RuntimeError: CUDA error。 原因：本地 torch 是 CUDA 11.8 编译的，服务器驱动只支持到 11.6，或者服务器根本没 GPU。 解决：保存权重时用torch.save(model.state_dict())只存参数，加载时map_location="cpu"先加载再决定放哪。部署前用nvidia-smi确认驱动版本，按官方对照表装对应 CUDA 版本的 torch。没 GPU 就装 CPU 版，代码里device自动判断。
5.5 图片上传后方向不对
现象：手机拍的照片上传后模型识别错，下载下来看是横着的。 原因：手机照片带 EXIF 方向信息，PIL 默认不读取，导致图像被旋转。 解决：用PIL.ImageOps.exif_transpose(img)自动纠正方向，再送进预处理。这一行不加，竖拍的照片全变横的，模型自然认不出。
6. 把毕设做成能讲二十分钟的项目：几个提分技巧
答辩时最怕的不是模型精度不够，而是讲不出技术细节。我见过一个学生，准确率只有 82%，但他把数据清洗、增强策略、混淆矩阵分析、部署优化讲得清清楚楚，最后拿了优秀。另一个学生准确率 95%，问他"为什么选 MobileNet 不选 ResNet"，答"网上说 MobileNet 快"，直接被打断。
第一个技巧是准备一张"技术决策表"，把每个选型的原因写清楚。比如：
| 决策点 | 选择 | 备选 | 理由 |
|---|---|---|---|
| 模型 | MobileNetV3-Small | ResNet50 | 参数量 5M vs 25M，CPU 推理 30ms vs 120ms，精度差 2 个点可接受 |
| 优化器 | AdamW | SGD | 小数据集上收敛更快，无需精细调 lr |
| 部署 | Gunicorn + ONNX | Flask 原生 | 并发能力提升，内存占用降一半 |
| 增强 | 随机裁剪+翻转 | 仅翻转 | 提升泛化，真实测试集准确率 +6 个点 |
这张表往 PPT 一放，老师的问题基本都能接住。
第二个技巧是留一个"失败案例"页。挑几张模型判错的图，分析为什么错——是光照太暗、物体被遮挡，还是类别本身边界模糊（比如用过的纸巾算厨余还是其他）。这体现你有反思能力，比只报喜不报忧强得多。
第三个技巧是把部署过程录成一段两分钟的视频。从git clone到pip install到启动服务到上传图片出结果，全程录屏。答辩现场网络不稳、环境可能出问题，视频是后悔药。而且这段视频本身就是你"部署指南"的实证，比文字描述可信。
最后一个习惯：所有实验数据当天记录，别攒到最后补。我一般让学生建一个experiments.md，每次跑完训练就记一行——日期、改动、验证准确率、备注。到写论文时，这些记录直接就是实验章节的素材，不用回忆"当时那个 0.87 是哪次跑出来的"。这个习惯我保持了六年，帮我在无数次答辩和评审里省下了翻日志的时间。希望帮到你。
本文还有配套的精品资源，点击获取
