摘要随着城市化进程加快和生活垃圾产量激增传统人工分拣方式效率低、成本高难以满足精准垃圾分类的需求。本文基于YOLOv8目标检测算法构建了一个四类垃圾分类检测系统包括可回收垃圾、有害垃圾、厨余垃圾和其他垃圾。模型在包含1910张训练图像和833张验证图像的自建数据集上进行训练与评估。实验结果显示模型整体mAP0.5达到0.789其中厨余垃圾的检测性能最优mAP≈0.989而可回收垃圾的识别效果相对较弱mAP≈0.595。混淆矩阵分析表明可回收垃圾与其他垃圾、厨余垃圾之间存在一定程度的误判。训练过程中的损失曲线和精度/召回率曲线显示模型收敛良好未出现过拟合。该系统在厨余垃圾识别方面表现突出具备实际部署潜力但在可回收垃圾的精细分类上仍有优化空间。引言垃圾分类是实现资源循环利用和减少环境污染的关键环节。传统的人工分拣方式不仅劳动强度大、效率低而且长期接触垃圾对分拣人员健康构成威胁。近年来深度学习和计算机视觉技术的快速发展为目标检测任务提供了高效解决方案其中YOLO系列算法因其良好的速度与精度平衡在工业检测、智能监控等场景中得到广泛应用。本研究旨在设计并实现一个基于YOLOv8的轻量化垃圾分类检测系统能够自动识别四类常见垃圾可回收垃圾、有害垃圾、厨余垃圾和其他垃圾。该系统可部署于智能垃圾桶、分拣流水线或社区回收站点实现垃圾投放的实时引导或自动化分拣。通过对模型训练结果的详细分析本文评估了模型在多类别垃圾分类任务中的表现识别了当前模型的优势和薄弱环节并提出了针对性的改进方向。本文的工作为深度学习在垃圾分类领域的工程化落地提供了有价值的参考。目录摘要引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍训练过程训练结果整体性能概览编辑编辑编辑各类别性能分析编辑混淆矩阵关键发现编辑编辑训练过程分析编辑常用标注工具功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景随着全球人口增长和消费模式的变化生活垃圾产生量持续攀升。据相关统计城市生活垃圾中约30%50%为可回收资源但由于缺乏有效的分类手段大量可回收物与厨余垃圾、有害垃圾混合处理造成资源浪费和环境污染。特别是厨余垃圾与其他垃圾混杂后会显著增加焚烧或填埋处理的难度和二次污染风险。有害垃圾如废电池、过期药品等若未得到妥善分离可能对土壤和水源造成长期危害。传统垃圾分类依赖人工分拣或居民自觉分类投放存在分类准确率低、效率低下、参与度不高等问题。近年来计算机视觉技术的发展为垃圾分类提供了新的技术路径。其中YOLO系列算法因其端到端的检测能力和实时性能成为垃圾分类检测领域的研究热点。YOLOv8作为该系列的最新版本之一进一步优化了骨干网络和损失函数提升了检测精度和训练稳定性。本研究基于YOLOv8构建垃圾分类检测系统旨在验证其在真实场景下的分类能力并为后续的工程化部署提供数据支撑和技术参考。数据集介绍本研究所使用的垃圾分类数据集为自建图像数据集共包含四类垃圾目标分别为可回收垃圾recyclable waste有害垃圾hazardous waste厨余垃圾kitchen waste其他垃圾other waste数据集共包含2743张标注图像其中数据集划分图像数量训练集1910张验证集833张训练过程训练结果整体性能概览指标数值mAP0.50.789所有类别平均最佳 F1 分数0.71置信度阈值 0.376最佳精度P1.00置信度 0.894最佳召回率R0.99置信度 0.000各类别性能分析类别精确率约召回率约mAP0.5主要问题可回收垃圾0.550.550.595易与厨余、其他垃圾混淆有害垃圾0.790.650.733部分被误判为其他/可回收厨余垃圾0.960.910.989表现最优其他垃圾0.630.550.838易被误判为可回收背景———误检率较低混淆矩阵关键发现可回收垃圾只有55%被正确识别15%被误判为厨余9%为有害4%为其他。有害垃圾有31%被误判为其他垃圾11%误判为背景。厨余垃圾表现极好96%正确识别。其他垃圾正确率63%15%误判为背景。训练过程分析指标趋势说明train/box_loss下降边界框回归收敛良好train/cls_loss下降分类损失稳定下降val/box_loss略高但稳定泛化能力尚可val/cls_loss略高但稳定无明显过拟合precision(B)波动上升最终稳定在 ~0.7recall(B)上升后平稳最终 ~0.6mAP50(B)稳定上升最终 ~0.78mAP50-95(B)缓慢上升最终 ~0.45定位精度中等训练收敛良好无过拟合迹象常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码
