企业官网建设流程全解析

简介：这是一份面向垃圾分类场景的YOLO格式标注数据集，适用于目标检测模型训练、智能分类系统开发及环境工程研究。数据涵盖可回收垃圾、有害垃圾、厨余垃圾和其他垃圾四类，标注信息以文本文件形式保存，并配有类别定义文件，可直接接入YOLO系列主流检测框架。压缩包共含2000个文件，包括1999个标注文本和1个类别配置声明，总大小约540.75MB，目录结构清晰，便于按类别筛选和批次训练。该资源目前已有2088人学习使用，受到目标检测方向开发者的关注，适合深度学习和计算机视觉方向的入门及进阶用户。使用此数据集，可以免去人工标注的繁琐工作，直接获得带目标框与类别标签的样本，用于训练垃圾识别模型、评估网络性能，或部署于智能垃圾桶、社区分类督导等场景，促进垃圾分类自动化与准确率的提升。

1. YOLO垃圾四分类数据集：模型不背锅，数据先过关

很多人拿到一份YOLO垃圾四分类数据集，第一反应是赶紧调参、换网络结构，结果训练十几个版本，mAP卡在0.7上不去，换到真实垃圾桶旁边一测更是翻车。我的判断一直没变：这种任务的分水岭不在模型，而在数据集本身。所谓YOLO垃圾四分类数据集，核心不是一堆图片，而是把垃圾图像整理成一份能让YOLO正常训练目标检测模型的数据资产，包含类目怎么定义、样本怎么采、标注怎么管、格式怎么转、类别怎么平衡。它解决的是算法团队“一训就飘、一测就废”的问题，适合做智能分拣、环卫监管、社区垃圾房管理的工程师，也适合拿真实任务入门目标检测的初学者。这篇就按做数据集的完整顺序，把类目边界、采集清洗、格式转换、训练验收一次讲透。

2. 垃圾到底分哪四类：类目体系与标注边界

四分类的语义是处理流向上的差异，不是材料学上的差异。同一个塑料瓶，干净的瓶和沾了食物残渣的瓶，可能分属两类。所以做数据集的第一步不是找图，而是先把类目体系和标注边界定死，否则后面标注员每标一张图都在替你“做算法决策”。

2.1 四分类的内核是处置流向，不是材料学

国内最常见的清运体系把生活垃圾分为可回收物、有害垃圾、厨余垃圾、其他垃圾，也就是俗称的四分类。目标检测模型要回答的问题是“这张图里的物体属于哪个处置流向”，而不是“这个瓶子是什么材料”，所以类别粒度不需要精细到PET瓶、乳白玻璃瓶、铝罐，那种粒度属于材料分选场景，不在四分类讨论范围内。

四分类是检测任务里最低可用的粒度。再少就是二分类，失去场景意义；再多就进入三四十类的细分类，标注成本和相邻类别混淆会同时爆炸。实际工程里有一个很常见的麻烦：“其他垃圾”本质上是一个杂类，语义不收敛，很多团队做完第一版后会考虑把“其他”拆成“烟蒂”“使用过的纸巾”“灰土”等子类，训练时再合并回去，这个策略后面展开讲。

类目清单建议用一份独立的配置文件管理，训练脚本和标注平台都从这里读取。我一般写成YAML，避免在代码里硬编码类别名：

# 类目清单，顺序即YOLO类别索引，发布后不要中途插队 categories: - id: 0 name: recyclable cn_name: 可回收物 deploy_name: recyclable - id: 1 name: hazardous cn_name: 有害垃圾 deploy_name: hazardous - id: 2 name: kitchen_waste cn_name: 厨余垃圾 deploy_name: kitchen_waste - id: 3 name: other_waste cn_name: 其他垃圾 deploy_name: other_waste

逻辑说明：YOLO的类别索引从0开始，txt标签里写的数字就是这份清单的id。类别顺序一旦发布，后面不要再插入新类，否则旧标注文件里所有类别索引全部错位，这个错位不会报错，只会让模型安静地学错。deploy_name是部署时的输出名称，训练名和推理名必须完全一致，很多上线事故就是“训练叫recyclable，推理叫recycle”。

注意：类目清单每次修改都要打版本号，并且连同标注文件一起归档。没有版本管理的类目清单，三个月后连你自己都说不清0号到底代表什么。

2.2 标注边界规范：比模型更重要的是“不纠结”

多人标注同一个数据集时，最大的消耗不在画框，而在对边界对象的不同判断。同样一张“外卖盒里有剩饭”的照片，有人归厨余，有人归可回收，这个不一致会直接变成训练噪声，而且是模型自己消化不了的噪声。

我建议立三条硬规则。第一，维护一份难例清单，凡是标注员拿不准的物体，先查清单，查不到就开会定，定完同步给所有人。第二，当目标被遮挡超过50%或距离太远看不清时，宁可跳过不标，也不要强行画一个猜出来的框。第三，单张图的实例数上限控制在30个左右，超过上限的图改成挑大目标标，标注密度过高对训练收益的提升非常有限。

难例清单用JSON维护，每条记录包含物品特征、判定结论和理由，训练完一轮后把误检图追加进来，形成闭环：

{ "hard_cases": [ {"item": "带食物残渣的外卖盒", "target_class": "kitchen_waste", "reason": "内容物污染后不再具有可回收价值"}, {"item": "一次性纸杯", "target_class": "other_waste", "reason": "淋膜纸不易回收，按其他垃圾处理"}, {"item": "玻璃碎片", "target_class": "hazardous", "reason": "易划伤清运人员，按有害垃圾处理"} ] }

逻辑说明：这份清单不是一次性工作，它是数据集的活文档。每次模型在真实场景里出现bad case，先检查是不是类目定义本身的问题，再决定改标注、改规则还是改模型。质检方面，前500张标注全量检查，之后每批抽检30%，错标率超过5%就全部返工。这5%的返工线是很多团队忽略的参数，但它的重要性不亚于学习率。

3. 图像从哪来、怎么变多：采集、清洗与增强实操

类目定义好之后，下一步就是把图集堆起来。很多团队找图就像拼布头，先不论版权问题，光是把分辨率混乱、光照差异大、带水印的图混进训练集，就比任何超参数都伤模型。这一章讲采集路线的选择、清洗脚本的写法、增强参数怎么定。

3.1 三条采集路线与数量目标

采集路线通常有三条。第一条是自采实拍，用手机或摄像头去垃圾桶旁、人行道、清运车、社区垃圾房拍，覆盖白天、夜晚、阴天等光照条件。优点是场景分布可控，后续做回放集测试也有地基。第二条是按四分类关键词批量抓取公开图片，注意关键词语义要拆细，“易拉罐 地上”比“垃圾”好用一个量级，还要确认图片的使用条款。第三条是复用已有的目标检测数据集或公开数据集做二次筛选，但必须逐类核对语义，有些数据集里的“报纸”是人在读报的场景，模型学到的是人，不是报纸，这种图要直接删掉。

数量目标我一般按一个底线来规划：每个类别至少要有1000张图像、2000个标注实例，四分类总量在6000到8000张图像起步。这里有个新手容易理解错的点：实例数比张数重要。YOLO在训练时吃的是框，不是图，300张图每张5个实例，效果会好过1000张图每张只有0.3个实例。

有害垃圾的收集难度最大，电池、灯泡这类物品在自然场景里出现频率低，我的经验是先用少量场景保证实例数，再通过增强补足，而不是硬凑张数。

3.2 清洗流程：一个脚本去掉模糊、重复、损坏图

抓来的图不能直接进标注流程，因为重复图、模糊图、损坏图会同时污染训练和验证。我常年保留一个清洗脚本，处理三类问题：无法解析的损坏文件、清晰度不够的模糊图、内容几乎一致的重复图。

import os import shutil import numpy as np from PIL import Image from scipy.ndimage import laplace def dhash(img, hash_size=8): small = img.convert("L").resize((hash_size + 1, hash_size), Image.LANCZOS) arr = np.array(small, dtype=np.uint8) return (arr[:, :-1] < arr[:, 1:]).flatten() def hamming(a, b): return int(np.count_nonzero(a != b)) def blur_score(path): img = np.array(Image.open(path).convert("L"), dtype=np.float32) return laplace(img).var() os.makedirs("bad", exist_ok=True) os.makedirs("blur", exist_ok=True) os.makedirs("dup", exist_ok=True) seen_hashes = [] for name in os.listdir("raw_images"): path = os.path.join("raw_images", name) if not name.lower().endswith((".jpg", ".jpeg", ".png")): continue try: img = Image.open(path) score = blur_score(path) except Exception: shutil.move(path, os.path.join("bad", name)) continue if score < 80: shutil.move(path, os.path.join("blur", name)) continue h = dhash(img) if seen_hashes and min(hamming(h, p) for p in seen_hashes) < 5: shutil.move(path, os.path.join("dup", name)) continue seen_hashes.append(h)

逻辑说明：dhash把图片缩放到9×8的灰度图，比较相邻像素的明暗变化，得到一个64位哈希，两张图哈希距离小于5就判定为重复。这个阈值是关键参数，改太大会把同一场景不同角度的照片也误杀，改太小则漏掉压缩率不同的副本。blur_score用的是拉普拉斯算子的方差，方差越低说明边缘越弱、图像越糊。

参数说明：拉普拉斯方差阈值80不是普适值，分辨率越高通常数值越高，网络抓来的大图经常超过500，而手机暗光照片可能只有50到150。建议先跑一个统计分布，取明显偏低的那一段作为阈值，不要照着别人的参数抄。另外，blur目录里的图也不是直接删，偶尔会有人物主体模糊但垃圾很清晰的情况，我一般会二次人工扫一眼再清空。

3.3 离线增强与在线增强：哪些场景真的需要

增强策略分为两件事。离线增强服务于类别数量补差，对有害垃圾这种少数类，我会对原始图做复制、水平翻转、小幅HSV扰动，生成额外的训练副本。在线增强则在训练配置里开启，YOLO自带的Mosaic等策略会实时拼接图像，覆盖面比离线增强更随机。

需要强调的是，四分类场景的增强参数要克制，尤其是颜色扰动不能拉太大。可回收物里的纸箱饱和度偏低，其他垃圾里的包装袋是浅棕色，HSV的饱和度扰动过强会让这两个类互相渗透。我常用的起步参数是flip=0.5，HSV的h=0.015、s=0.5、v=0.4，mosaic=1.0，scale=0.5，全部保持中等强度。

注意：不要对四分类做大幅度随机旋转和透视变形。垃圾桶里的瓶子是自然摆放姿态，不是艺术创作，过度变形只会让模型学到扭曲的特征，真实场景里反而更差。

4. 把任意标注格式转成YOLO txt：转换脚本与硬性检查

YOLO训练要求的标签格式是每张图一个txt文件，每一行写“类别索引 中心点x 中心点y 宽度 高度”，坐标全部归一化到0到1之间。但标注平台导出的格式五花八门，最常见的是COCO JSON和自定义JSON，转换本身不难，坑全在转换完没有质检。这一章给出转换脚本、检查命令和划分逻辑。

4.1 YOLO txt格式的三个约定

先记住三个约定。第一，文件配对严格按图像主文件名走，a.jpg对应a.txt，两个文件要么放同一目录，要么在训练配置里分别指定图像目录和标签目录。第二，坐标必须归一化，计算方式是矩形中心点x除以图像宽度，中心点y除以图像高度，宽度除以图像宽度，高度除以图像高度。第三，类别索引从0开始，必须和类目清单保持一致。

COCO JSON里的bbox字段是[x, y, w, h]，且是像素坐标，x、y是左上角点，这个细节搞反，转换出的框位置全部偏移。

4.2 从COCO JSON转YOLO txt：脚本与参数说明

下面这个脚本是我常用的转换工具，支持类别索引重映射，适合从公开数据集筛选后做二次标注的场景。

import json import os def coco_to_yolo(coco_json, image_dir, out_dir, label_map): os.makedirs(out_dir, exist_ok=True) with open(coco_json, "r", encoding="utf-8") as f: data = json.load(f) images = {img["id"]: img for img in data["images"]} anns_by_img = {} for ann in data["annotations"]: anns_by_img.setdefault(ann["image_id"], []).append(ann) for img_id, im in images.items(): lines = [] for ann in anns_by_img.get(img_id, []): x, y, w, h = [float(v) for v in ann["bbox"]] if w <= 0 or h <= 0: continue cls = label_map.get(ann["category_id"], -1) if cls < 0: continue # 中心点坐标换算，除以图像宽高完成归一化 cx = (x + w / 2) / im["width"] cy = (y + h / 2) / im["height"] bw = w / im["width"] bh = h / im["height"] # 越界值裁剪到0-1，防止训练增强时出现非法anchor cx = max(0.0, min(1.0, cx)) cy = max(0.0, min(1.0, cy)) lines.append(f"{cls} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}\n") if lines: base = os.path.splitext(im["file_name"])[0] txt_path = os.path.join(out_dir, base + ".txt") with open(txt_path, "w", encoding="utf-8") as f: f.writelines(lines) if __name__ == "__main__": # 原数据集类别id映射到我们的四分类索引，没有映射的一律跳过 label_map = {5: 0, 3: 1, 8: 2, 6: 3} coco_to_yolo("coco.json", "images", "labels", label_map)

逻辑说明：代码先按image_id聚合标注，这样每张图只打开一次txt文件。label_map是类别索引的桥梁，公开数据集的类别id几乎不可能和四分类对齐，必须有这张映射表。bbox的w和h已经包含宽高信息，不需要再用右下角坐标减去左上角。

参数说明：中心点坐标做了max/min裁剪，因为标注框偶尔会超出图像边界几个像素，YOLO的增强模块对越界框做缩放时可能生成非法值，fp16下更容易触发NaN。但宽度和高度不裁剪，因为一个小目标部分超出边界是正常情况，裁剪宽度会导致框的面积失真。

4.3 转换后的硬性检查：空标签、类别越界、实例统计

转换完不能直接开训，先用几条命令做硬性检查。我习惯把检查结果输出到日志文件，而不是只扫一眼终端输出。

# 检查空标签：有多少张图片没有对应的txt文件 for img in images/*.jpg; do base=$(basename "$img" .jpg) if [ ! -f labels/$base.txt ]; then echo "MISSING $base" fi done # 检查类别索引越界，四分类合法索引是0-3 grep -E "^[4-9] " labels/*.txt | head -50 # 统计每个类别的实例数，看类不均衡程度 cat labels/*.txt | awk '{print $1}' | sort | uniq -c

逻辑说明：空标签不会让训练直接报错，但会把整张图当背景，如果空标签集中在某些特定场景，模型会降低对那个场景的召回率。类别索引越界几乎都是label_map写错，或者旧版本的标签文件混进了新目录。实例数统计是类不均衡的第一道检查，如果某一类占总实例数不足10%，就需要回到采集阶段补数据。

注意：实例统计里有一个容易漏掉的坑，就是同一张图在清洗阶段被移动到blur或dup目录后，图片文件还在，但它的标注文件被留在了原目录，这个“图没了标签还在”的问题会让训练时的图像和标签错位。建议转换前把图片目录和标签目录做一次全量配对比较。

4.4 数据集划分：按场景分组再随机，别让评测集“透题”

数据划分看起来简单，实际上是最容易让验证指标虚高的环节。连续拍摄的照片，同一个垃圾桶在两秒内拍了10张，如果直接全局随机划分，其中5张进训练集、5张进验证集，验证集就“见过”训练的同一场景，测出来的mAP自然漂亮，部署到新场景立刻回落。

我一般会先按文件名前缀提取场景标识，把同一场景的照片绑在一起，再按场景划分到train、val、test：

import os import random from collections import defaultdict groups = defaultdict(list) for f in os.listdir("images"): scene = f.split("_")[0] # 场景前缀，例如 street_001.jpg -> street groups[scene].append(f) random.seed(42) train, val, test = [], [], [] for scene_files in groups.values(): random.shuffle(scene_files) n = len(scene_files) train += scene_files[:int(n * 0.8)] val += scene_files[int(n * 0.8):int(n * 0.9)] test += scene_files[int(n * 0.9):]

逻辑说明：按场景分组后，同一个场景的全部照片要么都在训练集，要么都在验证集，不会两边各占一半。这种做法会让验证集mAP比“透题版”低几个点，但那是真实水平。参数上train:val:test按8:1:1切，test从始至终不参与调参，只在最终版本上跑一次。

5. 垃圾四分类数据集常见问题排查：5个高频坑的现象、原因、补救

数据准备好之后，训练过程依然有坑，而且这些坑大多不是调参能解决的，是靠改数据或改评估协议解决。以下5条是我在四分类项目里反复遇到的，按现象、原因、解决三部分来写，方便对照排查。

5.1 标注层的坑：错标传染、杂类不收敛、空标签引发NaN

坑1：错标率超过3%时，mAP开始失灵。现象是训练loss正常下降，验证mAP也不差，但抽查预测结果发现错误集中在同一种物品上，比如模型把烟盒当其他垃圾、把纸巾当厨余垃圾。原因是那一类物品的标注本身不一致，不同标注员对同一物品的判断不同，YOLO在类间语义接近时会学平均特征，等于被噪声拉偏。解决办法是抽检500个框，错标率超过3%就返工，并针对bad case物品做全量复查。前期多花一天返工，后期能少调两周参数。

坑2：“其他垃圾”是杂类，模型会把它当垃圾桶。现象是验证集里“其他垃圾”的误检测集中在所有非标注区域，模型输出大量假阳框。原因是“其他垃圾”的定义是“不属于前三类”，语义上是开放集合，闭合分类器对开放类别天然不友好，模型找不到内部一致的模式。解决办法是做数据时把“其他垃圾”按常见子类拆开标注，比如烟蒂、纸巾、灰土、陶瓷碎片，训练时再合并到一根，让模型至少学会每个子类的视觉特征。

坑3：标注坐标越界导致训练中途出NaN。现象是loss前几个epoch正常，某次保存后突然变成NaN，或者加载预训练权重后一训练就爆。原因是标签里出现了1.0001这种越界坐标，YOLO的增强模块对越界框做缩放时产生非法anchor，fp16下更敏感。解决办法是转换脚本里严格用max/min裁剪所有中心点坐标到0-1，并在训练前检查所有txt文件里是否存在大于1或小于0的值。

5.2 数据分布层的坑：不均衡的“难易度”、同场景泄漏

坑4：类不均衡不只在数量，更在“难易度”。现象是有害垃圾AP只有0.4，其他三类都在0.7以上，即使加了类权重提升也有限。原因是数量少只是表面原因，深层原因是“有害垃圾”出现的位置五花八门，桌面、角落、垃圾袋内都有，每张图的上下文差异巨大，模型很难学到稳定的判别特征。解决办法是不要硬上过采样，而是把一半“干净桌面上的电池”图删掉，换成一米外地面杂物里露出一角电池的难例。实例数和难易度的平衡，比单纯凑数量更重要。

坑5：训练和验证同场景泄漏，本地mAP虚高。现象是本地验证mAP等于0.84，去一个新小区拍了一组真实环境图测试，mAP掉到0.58。原因是划分数据时没有按场景分组，同一个垃圾桶的连续帧同时出现在train和val。解决办法是改用上一章的按场景分组划分法重建训练集，并且在项目上线前，去没见过的现场拍100张图做盲测集，之后每个版本都用同一批盲测图回测。盲测集一旦用于调参，就会慢慢变成第二个验证集，失去盲测意义，所以它必须是只跑不改的。

6. 用回放集和混淆矩阵验收数据集：一个耐用的迭代习惯

数据集不会一次做对，真正让工程质量提升的是验收习惯。我现在的做法是给每个四分类项目维护一个“回放集”，核心规则有两条。第一条，回放集里的图像只来源于真实现场，比如小区门口、垃圾房、清运车，每个季度新增一批，新增的图像标注后全部并入回放集，不并入训练集。因为训练集可以持续变大，但验收集必须保持独立，否则模型只是在考试里见过原题。第二条，每次训练完，不看单一mAP，先看混淆矩阵里哪两个类别互相污染最严重。

四分类场景的混淆矩阵有一个典型规律：“可回收物”和“其他垃圾”互窜的频率远高于其他组合，原因是两者的外观边界模糊，纸箱、包装袋、一次性塑料制品在不同光照下很容易交叉。如果混淆矩阵显示某个类别的召回率明显低于其他类，我一般直接回到数据层面查三件事：实例数是否偏少、难例图是否没有覆盖、标注规则是否在那个类里有分歧。查完这三件事再去调超参数，效率高很多。

除了混淆矩阵，我还会保存每一轮的bad case图。具体做法是训练完后挑出置信度大于0.5但预测错误的框，按预测类别分组，每个组看一遍。这一步虽然耗时间，但能发现很多标注阶段漏掉的问题，比如某个场景里所有“矿泉水瓶”都被标成了“其他垃圾”，这种标注层面的大面积错误，在loss曲线和mAP上几乎看不出来，只有看bad case才能定位。

我现在养成的习惯是：每两周从现场采集100到300张图，人工标注后全部追加到回放集，然后重新训练一轮，把新旧版本的混淆矩阵和bad case对比一遍。这个循环看起来很土，但它帮我省掉了大量“不知道为什么这版变差了”的黑匣子排查时间，也让每个训练版本都有明确的验收标准。如果你正被四分类数据集折磨，不妨从今天开始建一个只属于你自己的回放集，坚持三个版本后再回头看，会感谢这个习惯的。

希望帮到你。

本文还有配套的精品资源，点击获取