城市街道垃圾数据源城市街道垃圾检测数据集(YOLO)

该数据集是城市街道场景下，包含3300张街道垃圾图像。该数据集包含塑料瓶、香蕉皮、易拉罐、玻璃瓶等28种垃圾类型。该数据集已进行数据划分为训练集、验证集和测试集。具有完整的txt标注文本和yaml配置文件，该数据精度较高。

（YOLO格式，28类，3300张）”，由于这是一个具体的数据资源包，我无法直接“发送”文件给您

数据准备与目录结构代码：帮您快速整理数据。
YOLOv8/v5 训练代码：直接用于该数据集的模型训练。
推理/检测代码：训练完成后对街道图片进行垃圾检测。
data.yaml 配置文件模板：包含28种垃圾类别的定义。

📂 第一步：数据集目录结构准备

YOLO格式的数据集需要特定的文件夹结构。假设您下载到的图片在 images 文件夹，标注在 labels 文件夹，请确保结构如下：

street_garbage_dataset/
├── images/
│ ├── train/ (存放训练集图片)
│ ├── val/ (存放验证集图片)
│ └── test/ (存放测试集图片)
├── labels/
│ ├── train/ (存放对应的txt标注)
│ ├── val/
│ └── test/
└── street_garbage.yaml (配置文件)

import os
import shutil
import random

def split_dataset(base_dir, image_ext=‘.jpg’):
# 定义路径
images_dir = os.path.join(base_dir, ‘images’)
labels_dir = os.path.join(base_dir, ‘labels’)

# 创建子目录
for split in ['train', 'val', 'test']:
    os.makedirs(os.path.join(images_dir, split), exist_ok=True)
    os.makedirs(os.path.join(labels_dir, split), exist_ok=True)

# 获取所有图片文件名
all_images = [f for f in os.listdir(os.path.join(base_dir, 'images_raw')) if f.endswith(image_ext)]
random.shuffle(all_images)

total = len(all_images)
train_size = int(total * 0.8)
val_size = int(total * 0.1)

splits = {
    'train': all_images[:train_size],
    'val': all_images[train_size:train_size+val_size],
    'test': all_images[train_size+val_size:]
}

for split_name, files in splits.items():
    for fname in files:
        # 移动图片
        src_img = os.path.join(base_dir, 'images_raw', fname)
        dst_img = os.path.join(images_dir, split_name, fname)
        shutil.move(src_img, dst_img)
        
        # 移动对应的txt标签 (假设标签文件名与图片名一致，仅后缀不同)
        label_name = fname.replace(image_ext, '.txt')
        src_lbl = os.path.join(base_dir, 'labels_raw', label_name)
        if os.path.exists(src_lbl):
            dst_lbl = os.path.join(labels_dir, split_name, label_name)
            shutil.move(src_lbl, dst_lbl)

print(f"数据集划分完成！训练集:{len(splits['train'])}, 验证集:{len(splits['val'])}, 测试集:{len(splits['test'])}")

使用示例：将原始数据放在 images_raw 和 labels_raw 中运行
split_dataset(‘./street_garbage_dataset’)

📝 第二步：创建 data.yaml 配置文件

这是YOLO模型识别28种垃圾的关键文件。请创建名为 street_garbage.yaml 的文件。

注意：由于您未提供具体的28类名称列表，我根据常见街道垃圾列举了部分示例（塑料瓶、香蕉皮等），请您根据实际数据集的 classes.txt 或文档补全剩余的类别名称。

street_garbage.yaml

数据集根路径 (请修改为您本地的绝对路径)
path: /absolute/path/to/street_garbage_dataset # <— 修改这里

图片子目录
train: images/train
val: images/val
test: images/test

类别数量
nc: 28

28种垃圾类别名称 (请根据实际情况补全/修正)
names:
0: plastic_bottle # 塑料瓶
1: banana_peel # 香蕉皮
2: aluminum_can # 易拉罐
3: glass_bottle # 玻璃瓶
4: paper_cup # 纸杯
5: plastic_bag # 塑料袋
6: cigarette_butt # 烟头
7: tissue # 纸巾
8: food_wrapper # 食品包装
9: straw # 吸管
10: cardboard # 纸板
11: styrofoam # 泡沫塑料
12: metal_cap # 金属盖
13: broken_glass # 碎玻璃
14: battery # 电池
15: mask # 口罩
16: umbrella # 雨伞
17: shoe # 鞋子
18: toy # 玩具
19: book # 书本
20: leaf # 落叶 (如果是作为垃圾)
21: branch # 树枝
22: stone # 石块
23: cloth # 布料
24: tire # 轮胎
25: bucket # 桶
26: box # 盒子
27: other_trash # 其他垃圾

⚠️ 请务必核对您的数据集文档，确保顺序和名称与txt标注中的数字对应！

🚀 第三步：模型训练代码 (基于 YOLOv8)

推荐使用 Ultralytics 的 YOLOv8，它对多类别小目标检测效果很好。

安装依赖：
pip install ultralytics

训练脚本 (train_model.py)：

from ultralytics import YOLO

def train_garbage_detector():
# 1. 加载预训练模型 (推荐 yolov8n.pt 或 yolov8s.pt，速度快且适合移动端部署)
# n=nano, s=small, m=medium, l=large, x=xlarge
model = YOLO(‘yolov8n.pt’)

# 2. 开始训练
results = model.train(
    data='street_garbage.yaml',  # 指向上面创建的yaml文件
    epochs=100,                  # 训练轮数，可根据收敛情况调整
    imgsz=640,                   # 输入图片尺寸
    batch=16,                    # 批次大小，根据显存调整 (显存小可设为8)
    workers=4,                   # 数据加载线程数
    device='0',                  # 使用GPU (0)，如果是CPU则改为 'cpu'
    project='garbage_detection', # 项目保存目录
    name='exp_street_28classes', # 实验名称
    patience=20,                 # 早停耐心值，防止过拟合
    save=True,                   # 保存检查点
    plots=True                   # 生成训练过程图表
)

print("训练完成！模型保存在 runs/detect/exp_street_28classes/weights/best.pt")

if name == ‘main’:
train_garbage_detector()

🔍 第四步：推理/检测代码

训练完成后，使用以下代码对新图片进行检测。

检测脚本 (detect.py)：

from ultralytics import YOLO
import cv2

def detect_garbage(image_path, model_path):
# 加载训练好的最佳模型
model = YOLO(model_path)

# 进行预测
results = model.predict(
    source=image_path,
    conf=0.25,      # 置信度阈值
    iou=0.45,       # NMS IoU阈值
    show=True,      # 是否直接显示结果窗口
    save=True,      # 是否保存图片到 runs/detect/predict
    line_width=2    # 边框粗细
)

# 打印检测结果详情
for result in results:
    boxes = result.boxes
    for box in boxes:
        cls_id = int(box.cls[0])
        conf = float(box.conf[0])
        class_name = result.names[cls_id]
        print(f"检测到: {class_name}, 置信度: {conf:.2f}")

if name == ‘main’:
# 替换为您的模型路径和图片路径
model_file = ‘runs/detect/exp_street_28classes/weights/best.pt’
test_image = ‘test_street.jpg’

detect_garbage(test_image, model_file)

💡 针对该数据集的特别建议

类别不平衡问题：
28类垃圾中，某些类别（如塑料瓶）

小目标检测：
街道垃圾（如烟头、吸管）通常很小。
优化：训练时将 imgsz 设置为更大（如 1280），虽然会减慢速度，但能显著提升小物体检测率。
：model.train(…, imgsz=1280, …)