智慧环卫AI算法训练素材｜无人机街道固废巡检视觉数据集｜城市路面垃圾目标检测深度学习数据资源10280期
智慧环卫AI算法训练素材｜无人机街道固废巡检视觉数据集｜城市路面垃圾目标检测深度学习数据资源10280期
公众号标签：#智慧环卫 #无人机垃圾巡检 #固体废物检测 #计算机视觉 #YOLO训练数据集 #城市环境治理 #深度学习 #环卫智能化落地
国内城市环卫日常监管中，街巷零散垃圾、违规堆放固体废物大多依靠环卫工人人工巡回排查，老旧小巷、绿化带深处、高架下方等偏僻点位排查难度大。相关行业统计显示，人工巡检固废点位耗时占环卫日常工作45%以上，恶劣天气、早晚逆光环境进一步提升垃圾漏查概率。无人机高空航拍巡检凭借大范围、高效率优势逐步落地环卫场景，但适配实景街道环境、可直接用于算法迭代训练的实景标注样本偏少，制约环卫AI检测模型落地优化。本篇带来一套面向街道固体废物识别的专用视觉数据集，适配无人机航拍、车载监控等多终端AI垃圾检测模型训练优化。
一、数据集基础信息
# 数据集基础配置信息Dataset_Name:UAV_Street_SolidWaste_DetectTask_Type:2D目标检测Total_Annotated_Img:416Class_Type:Single class(通用固体废物，无细分垃圾品类)Scene:Urban street、outdoor open space、roadside green beltIssue_No:102801.1 参数明细表格
| 信息维度 | 详情说明 |
|---|---|
| 任务属性 | 固体废物通用目标检测数据集，不区分固废细分品类 |
| 图像存量 | 416张全标注实景图像，覆盖多类街道固废堆放实景 |
| 标注规范 | 通用目标检测标注格式，兼容YOLO、COCO、VOC主流训练框架 |
| 适用场景 | 无人机高空巡检、路面摄像头垃圾监测、环卫设备智能识别 |
| 落地价值 | 支撑环卫智能分拣设备算法迭代、全域固废自动排查、固废管控智能化升级 |
1.2 场景说明
图像素材取自真实城市街道场景，包含路边垃圾堆、零散固体废弃物、绿化带隐藏固废等实景画面，样本覆盖不同光照、杂物遮挡等现实工况，围绕通用固体废物统一标注，不细分生活垃圾、建筑垃圾等子类，适配通用型固废检测模型研发。
二、数据集实用优势
- 场景贴合落地需求：素材匹配无人机俯拍成像特点，画面透视、远景小目标等问题和真实巡检画面一致，训练后模型适配实地部署；
- 标注完整可用：全部416张图片完成精准标注，配套辅助资源覆盖训练、验证全流程，支撑模型从基础训练到效果调优全周期使用；
- 通用性强：单类别通用标注逻辑，不用区分垃圾细分类别，快速搭建全场景固废筛查算法，适配区县环卫大范围粗放式排查需求。
三、数据集目录架构
UAV_Street_SolidWaste_Detect/ ├── images/ │ ├── train/ # 训练样本图片 │ ├── val/ # 验证样本图片 ├── labels/ # YOLO格式标注文件 │ ├── train/ │ ├── val/ └── waste_config.yaml # 模型训练配置文件四、深度学习实操代码（附带环卫场景专属注释）
4.1 环境部署指令
#【场景注释：适配环卫算法常用训练环境，CUDA版本适配服务器与边缘工控机部署，项目实测稳定】pipinstalltorch==2.0.1torchvision==0.15.2 ultralytics opencv-python albumentations numpy4.2 模型配置yaml文件
#【场景注释：单类别固废数据集配置，nc固定为1，标注全部归类为固体废物，适配通用垃圾检测任务】train:./UAV_Street_SolidWaste_Detect/images/trainval:./UAV_Street_SolidWaste_Detect/images/valnc:1names:0:SolidWaste4.3 数据集加载代码
importcv2importtorchfromtorch.utils.dataimportDatasetimportalbumentationsasAfromalbumentations.pytorchimportToTensorV2#【场景注释：模拟户外环卫场景光影变化，雨天水渍、强光曝光、绿植遮挡都是航拍常见干扰，通过数据增强提升模型鲁棒性】classWasteDetDataset(Dataset):def__init__(self,img_dir,label_dir,transform=None):self.img_dir=img_dir self.label_dir=label_dir self.transform=transform self.img_list=[iforiinos.listdir(img_dir)ifi.endswith(("jpg","png"))]def__len__(self):returnlen(self.img_list)def__getitem__(self,idx):img_name=self.img_list[idx]img=cv2.imread(f"{self.img_dir}/{img_name}")img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)label_path=f"{self.label_dir}/{img_name[:-3]}txt"bboxes=[]ifos.path.exists(label_path):withopen(label_path,"r")asf:forlineinf.readlines():data=list(map(float,line.strip().split()))bboxes.append(data[1:])ifself.transform:aug=self.transform(image=img,bboxes=bboxes)img=aug["image"]returnimg# 训练集增强策略train_aug=A.Compose([A.Resize(640,640),A.RandomBrightnessContrast(p=0.4),A.HorizontalFlip(p=0.5),A.GaussNoise(p=0.2),#模拟航拍扬尘带来画面噪点ToTensorV2()],bbox_params=A.BboxParams(format="yolo"))4.4 YOLO训练代码
fromultralyticsimportYOLO#【场景注释：yolov8s平衡精度与推理速度，可部署在无人机机载端；小样本416张设置适中轮次防止过拟合】if__name__=='__main__':model=YOLO("yolov8s.pt")train_result=model.train(data="waste_config.yaml",epochs=80,imgsz=640,batch=4,device=0)# 单图推理：模拟无人机回传照片实时检测固废model.predict("uav_capture.jpg",conf=0.25,save=True)五、落地应用方向
- 无人机环卫巡检：高空航拍画面实时识别路面违规堆放固废，自动标记垃圾点位；
- 道路监控预警：沿街摄像头接入算法，发现成片垃圾堆自动上报环卫管理平台；
- 智能环卫车：车载视觉模块实时识别沿路垃圾，辅助规划清扫路线。
文末结语
该套固废检测数据集依托实景街道采集制作，416张标注素材可支撑通用型垃圾检测模型迭代优化，依托上述训练代码可快速完成模型调参与落地测试，助力环卫行业数字化巡检落地。后续可在现有样本基础上补充各类细分垃圾图像，持续优化模型识别精度。
标签：#无人机垃圾巡检 #固废目标检测 #环卫AI算法 #YOLO训练素材 #城市环境数字化