垃圾分类检测数据集 垃圾四类检测数据集 14964张 4类
YOLO格式
【垃圾四类检测YOLO数据集】共【14964】张，按照8比2划分为训练集和验证集，其中训练集【11971】张，验证集【2993】张，模型分为【4】类，分类为：【‘可回收垃圾’, ‘其他垃圾’, ‘厨余垃圾’, ‘有害垃圾’】
每个类别的图片数量和标注框数量如下：
可回收垃圾: 图片数【7183】，标注框数【9229】
其他垃圾: 图片数【5527】，标注框数【9121】
厨余垃圾: 图片数【3449】，标注框数【5257】
有害垃圾: 图片数【1538】，标注框数【1983】
数据集YOLOv5-v11通用
以下是垃圾分类四类检测 YOLO 数据集的详细信息汇总表：
| 项目 | 内容 |
|---|---|
| 数据集名称 | 垃圾分类四类检测 YOLO 数据集 |
| 总图像数量 | 14,964 张 |
| 类别数量 | 4 类 |
| 类别定义 | 1.可回收垃圾（Recyclable）2.其他垃圾（Residual / Other）3.厨余垃圾（Household Food Waste）4.有害垃圾（Hazardous） |
| 数据划分比例 | 训练集 : 验证集 =8 : 2 |
| 训练集数量 | 11,971 张 |
| 验证集数量 | 2,993 张 |
| 标注格式 | YOLO 格式.txt（每行：class_id x_center y_center width height，归一化坐标） |
| 兼容模型 | YOLOv5 / YOLOv6 / YOLOv7 / YOLOv8 / YOLOv9 / YOLOv10 / YOLOv11（通用） |
| 目录结构 | <br>garbage4/<br>├── images/<br>│ ├── train/<br>│ └── val/<br>├── labels/<br>│ ├── train/<br>│ └── val/<br>└── garbage4.yaml<br> |
📊 各类别统计详情
| 类别 | 图片数量 | 标注框数量 | 占总图像比例 | 特点说明 |
|---|---|---|---|---|
| 可回收垃圾 | 7,183 | 9,229 | ≈48.0% | 包含塑料瓶、易拉罐、纸箱、玻璃瓶等，目标清晰、尺寸多样 |
| 其他垃圾 | 5,527 | 9,121 | ≈36.9% | 如污染纸张、一次性餐具、烟蒂等，背景复杂，部分目标较小 |
| 厨余垃圾 | 3,449 | 5,257 | ≈23.1% | 果皮、剩饭、菜叶等，常呈湿软、变形状态，光照敏感 |
| 有害垃圾 | 1,538 | 1,983 | ≈10.3% | 电池、灯管、药品、化学品容器等，数量较少但安全关键 |
⚠️ 注：因一张图像可包含多个类别目标，各类别图片数之和（7183+5527+3449+1538=17,697） > 总图像数（14,964），属正常现象。
📄garbage4.yaml配置文件示例
train:./images/trainval:./images/valnc:4names:['可回收垃圾','其他垃圾','厨余垃圾','有害垃圾']✅ 该数据集适用于智能垃圾桶、垃圾分类 App、环卫机器人、政策评估系统等场景，标签质量高，可直接用于 YOLO 系列模型训练与部署。
1
1
1
📦 垃圾分类四类检测 YOLO 数据集（14,964 张图像）
✅ 数据集概览
- 总图像数量：14,964 张
- 类别数量：4 类
- 划分比例：8:2（训练集 : 验证集）
- 训练集：11,971 张
- 验证集：2,993 张
🗂️ 分类标签
| 类别 | 中文名称 | 英文名称 |
|---|---|---|
| 0 | 可回收垃圾 | recyclable waste |
| 1 | 其他垃圾 | other waste |
| 2 | 厨余垃圾 | kitchen waste |
| 3 | 有害垃圾 | hazardous waste |
支持中文/英文标注，适配 YOLOv5 ~ YOLOv8 等主流版本
📊 各类别统计详情
| 类别 | 图片数 | 标注框数 | 占比（图片） |
|---|---|---|---|
| 可回收垃圾 | 7,183 | 9,229 | ~48% |
| 其他垃圾 | 5,527 | 9,121 | ~37% |
| 厨余垃圾 | 3,449 | 5,257 | ~23% |
| 有害垃圾 | 1,538 | 1,983 | ~10% |
注：每个图像包含多个边界框（多目标），整体标注密度高，适用于复杂场景下的垃圾识别任务。
🧠 模型性能表现（附赠训练模型）
我们使用YOLOv8在该数据集上进行了300 epoch的训练，并提供以下成果：
🔍 Precision-Recall 曲线分析（mAP@0.5 = 0.812）
- 可回收垃圾：AP = 0.805
- 其他垃圾：AP = 0.721
- 厨余垃圾：AP = 0.843
- 有害垃圾：AP = 0.877
- 所有类别平均 mAP@0.5：0.812
✅ 性能优秀，尤其在“有害垃圾”和“厨余垃圾”上表现突出，具备实际部署能力。
💾 包含内容
原始数据集（YOLO 格式）：
train/images/和val/images/- 对应的
.txt标注文件（每行格式：class x_center y_center width height） data.yaml配置文件（直接可用）
预训练模型：
- YOLOv8n / YOLOv8s 等版本（300 epoch 训练完成）
- 模型文件格式：
.pt（PyTorch） - 支持推理、导出 ONNX/TensorRT 等
完整代码包：
- 完整的训练脚本（
train.py） - 推理测试脚本（
detect.py） - 数据增强配置
- 可视化结果（如 PR 曲线、混淆矩阵、检测图等）
- Docker 部署建议（可选）
- 完整的训练脚本（
🛠️ 使用方式
# 下载数据集与模型gitclone https://github.com/yourname/garbage-classification-yolo.git# 使用 Ultralytics YOLOv8 进行推理yolo detectmode=predictmodel=best.ptsource=test/images/支持自定义类别、更换模型结构（如 YOLOv8m, YOLOv8l）、迁移学习等。
📌 适用场景
- 城市智能垃圾分类系统
- 智能垃圾桶自动识别
- 废物处理自动化流水线
- 教学科研项目（计算机视觉、AI 实践）
- 机器人视觉感知模块
🌐 兼容性
- ✅ YOLOv5, YOLOv6, YOLOv7, YOLOv8 全系列支持
- ✅ 支持 CUDA 加速推理
- ✅ 可转换为 ONNX、TensorRT、CoreML 等格式用于移动端/边缘设备
- ✅ 提供 LabelImg 标注工具生成指南
📢 特别说明
- 所有图像均经过人工筛选与标注，保证质量。
- 数据来源真实多样，涵盖家庭、街道、商场等多种场景。
- 附带详细的构建文档与训练日志，方便复现与调优。
