企业官网建设流程全解析

简介：这份资源是基于YOLOv8的垃圾分类识别设计完整项目包，面向深度学习入门者、人工智能课程设计学生及毕业设计开发者，帮助解决垃圾自动分类识别这一典型目标检测任务。包内共11个文件，以Python脚本、YAML配置、预训练权重pt文件、PNG效果图和Markdown说明文档为主，压缩包约10.21MB，涵盖数据集重命名、图像标注辅助、模型配置与识别结果展示等环节。项目围绕可回收、厨余、有害及其他垃圾等类别展开，涉及样本收集、图像标注、数据增强、归一化预处理与多轮迭代训练，最终实现摄像头图像的实时分类。读者可借此获得一套可复用的YOLOv8训练与部署方案，理解边界框标注、数据集管理工具的使用方式，并参考预测效果图与README说明快速上手调试。目前已有32人学习下载，适合作为课程设计或毕业设计的实践参考。

1. 垃圾分类识别为什么选 YOLOv8：从数据集到落地的完整判断

垃圾分类识别这个题目，很多人第一反应是「拿个预训练模型跑一下不就行了」。真做过就知道，坑不在模型本身，而在数据集的类别定义、标注一致性、以及推理时的实际场景差异。YOLOv8 之所以成为这类项目的首选，核心原因有三个：一是它把检测、分割、分类统一到一套框架里，垃圾分类既可以做纯检测（框出物体+类别），也可以做分割（精确到像素边缘），切换成本低；二是 Ultralytics 的工程封装足够成熟，从训练到导出 ONNX、TensorRT 再到边缘设备部署，链路是通的；三是社区资源丰富，预训练权重、数据增强策略、损失曲线可视化这些都有现成方案，不用从零造轮子。

这篇文章面向的是想用 YOLOv8 做垃圾分类识别落地的从业者——不管你是做毕业设计、做嵌入式部署、还是做产线分拣原型，核心诉求都一样：数据集怎么处理、模型怎么训、参数怎么调、部署到板子上怎么跑通。我会按「数据准备 → 训练调参 → 验证排错 → 部署优化」的顺序，把每个环节的可复现步骤和血泪经验讲清楚。如果你手头有一块 RK3588 或者想先在 GTX1660Ti 上把流程跑通，这篇的内容可以直接抄作业。

2. 数据集处理与 YOLOv8 训练环境搭建：从 Labelme 标注到第一轮训练

2.1 垃圾分类数据集的类别设计与标注规范

垃圾分类的类别定义直接决定模型能不能用。常见做法是分四类：可回收物、厨余垃圾、有害垃圾、其他垃圾。但实际标注时会发现，「可回收物」下面有塑料瓶、纸箱、易拉罐、玻璃瓶，类内差异极大；「其他垃圾」又是个筐，什么都往里装。我的建议是：如果你的应用场景是固定品类分拣（比如只分塑料瓶和易拉罐），就按具体物品类别标注，不要硬套四分类；如果是通用场景，四分类可以，但每个类别至少要有 800～1000 张有效标注图，否则模型会严重偏向样本多的类。

标注工具用 Labelme 还是 LabelImg 都行，关键是导出格式。YOLOv8 需要的是 YOLO 格式的 txt 标注：每行class_id x_center y_center width height，坐标全部归一化到 0～1。Labelme 默认导出 JSON，需要转一道。下面这个脚本是我常用的转换逻辑：

import json import os from pathlib import Path # 类别映射：根据你的实际类别修改 CLASS_MAP = { "recyclable": 0, "kitchen_waste": 1, "hazardous": 2, "other": 3 } def labelme_to_yolo(json_dir, output_dir, class_map): """ 将 Labelme JSON 转为 YOLO txt 格式 json_dir: Labelme 标注文件目录 output_dir: 输出 txt 目录 class_map: 类别名到 id 的映射 """ os.makedirs(output_dir, exist_ok=True) for json_file in Path(json_dir).glob("*.json"): with open(json_file, "r", encoding="utf-8") as f: data = json.load(f) img_w = data["imageWidth"] img_h = data["imageHeight"] lines = [] for shape in data["shapes"]: label = shape["label"] if label not in class_map: continue # 跳过未定义类别 points = shape["points"] xs = [p[0] for p in points] ys = [p[1] for p in points] # 计算归一化中心点和宽高 x_center = (min(xs) + max(xs)) / 2.0 / img_w y_center = (min(ys) + max(ys)) / 2.0 / img_h width = (max(xs) - min(xs)) / img_w height = (max(ys) - min(ys)) / img_h # 裁剪到 [0,1] 防止越界 x_center = max(0, min(1, x_center)) y_center = max(0, min(1, y_center)) width = max(0, min(1, width)) height = max(0, min(1, height)) lines.append(f"{class_map[label]} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") txt_name = json_file.stem + ".txt" with open(os.path.join(output_dir, txt_name), "w") as f: f.write("\n".join(lines)) # 调用示例 labelme_to_yolo("./annotations", "./labels", CLASS_MAP)

这段代码的关键点：一是坐标归一化必须用原图宽高，不能搞错；二是要裁剪到 [0,1]，Labelme 有时候会标出边界外的点，不裁剪训练时会报错；三是类别映射表要和后续 data.yaml 里的 names 顺序完全一致，否则模型学出来的类别是乱的。

2.2 Ubuntu 20.04 下 YOLOv8 环境配置与 CPU 版本跑通

环境搭建这块，Ubuntu 20.04 是最稳的选择，驱动兼容性好。如果你手头只有 CPU 或者想在服务器上先验证流程，CPU 版本也能跑，就是慢。步骤如下：

# 1. 创建虚拟环境（强烈建议，不要污染系统 Python） conda create -n yolov8 python=3.10 -y conda activate yolov8 # 2. 安装 PyTorch（CPU 版本，如果有 GPU 换成对应 CUDA 版本） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # 3. 安装 Ultralytics pip install ultralytics # 4. 验证安装 yolo checks

yolo checks会输出环境信息，重点看 Python 版本、PyTorch 版本、以及是否有 GPU 可用。CPU 版本训练速度大概是 GPU 的 1/20 到 1/50，GTX1660Ti 上跑 100 轮可能 2 小时，CPU 上可能要一整天。所以 CPU 版本只适合验证代码能不能跑通，真正训练还是建议上 GPU。

2.3 data.yaml 配置与第一轮训练命令

YOLOv8 的数据配置文件 data.yaml 结构如下：

path: /home/user/dataset # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 test: images/test # 测试集（可选） nc: 4 # 类别数 names: # 类别名，顺序必须和标注时的 class_id 一致 0: recyclable 1: kitchen_waste 2: hazardous 3: other

目录结构建议这样组织：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

第一轮训练命令：

yolo detect train \ data=dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/train \ name=garbage_v1

参数说明：model=yolov8n.pt是最小的预训练权重，适合快速验证；imgsz=640是输入分辨率，垃圾分类场景如果物体较小可以提到 1280，但显存占用会翻倍；batch=16在 GTX1660Ti 上差不多是极限，显存不够就降到 8；patience=20表示 20 轮验证集指标不提升就早停，防止过拟合。训练完成后，损失曲线和 mAP 曲线会自动保存在runs/train/garbage_v1/下，直接看 results.png 就行。

3. 训练参数调优与模型改进：从损失曲线判断问题到注意力机制引入

3.1 损失函数曲线怎么看：三类典型异常与对应调参策略

YOLOv8 训练输出的损失曲线包含 box_loss、cls_loss、dfl_loss 三条。正常情况三条都应该是下降趋势，验证集损失跟随训练集下降但略高。常见异常有三种：

第一种，训练损失下降但验证损失上升，这是过拟合。解决方法是增加数据增强（augment=True是默认开的，可以调mosaic=1.0、mixup=0.1）、减少模型参数量（从 yolov8m 换回 yolov8n）、或者加 dropout。垃圾分类场景如果某些类别样本太少，过拟合会特别明显。

第二种，损失震荡不收敛。通常是学习率太大，lr0=0.01是默认值，但如果你的 batch 很小（比如 4 或 8），学习率要相应降到 0.001 或 0.005。另外检查一下标注有没有问题，比如同一个物体标了多个框、或者框的宽高为 0。

第三种，cls_loss 居高不下。说明分类头学不动，可能是类别不平衡导致的。比如「有害垃圾」只有 50 张图，其他类有 1000 张，模型会倾向于把所有东西都预测成多数类。解决办法是用cls_pw参数给类别加权，或者在数据集层面做重采样。

3.2 用协调注意力机制改进 YOLOv8 检测头

YOLOv8 的检测头是解耦头，分类和回归分开。在垃圾分类场景里，有些物体外观相似（比如塑料瓶和玻璃瓶），单纯靠卷积特征容易混。引入注意力机制可以让模型更关注区分性区域。协调注意力（Coordinate Attention）是一种轻量方案，计算量增加不多，但能提升空间定位能力。

具体做法是在ultralytics/nn/modules/block.py里加一个 CoordAtt 模块，然后在ultralytics/nn/modules/head.py的 Detect 类里插入。代码大致如下：

import torch import torch.nn as nn class CoordAtt(nn.Module): """协调注意力：分别沿 H 和 W 方向做池化，再融合""" def __init__(self, inp, reduction=32): super().__init__() self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None)) mip = max(8, inp // reduction) self.conv1 = nn.Conv2d(inp, mip, kernel_size=1) self.bn1 = nn.BatchNorm2d(mip) self.act = nn.SiLU() self.conv_h = nn.Conv2d(mip, inp, kernel_size=1) self.conv_w = nn.Conv2d(mip, inp, kernel_size=1) def forward(self, x): identity = x n, c, h, w = x.size() x_h = self.pool_h(x) # (n,c,h,1) x_w = self.pool_w(x).permute(0, 1, 3, 2) # (n,c,w,1) y = torch.cat([x_h, x_w], dim=2) y = self.act(self.bn1(self.conv1(y))) x_h, x_w = torch.split(y, [h, w], dim=2) x_w = x_w.permute(0, 1, 3, 2) a_h = torch.sigmoid(self.conv_h(x_h)) a_w = torch.sigmoid(self.conv_w(x_w)) return identity * a_h * a_w

插入位置建议在 Detect 头的三个分支之前，对 P3、P4、P5 特征图各加一个 CoordAtt。改完后重新训练，mAP 通常能涨 1～3 个点，但推理速度会降 5%～10%。如果部署在 RK3588 这类边缘设备上，要权衡精度和延迟。

3.3 训练参数含义速查与调参优先级

YOLOv8 的训练参数有几十个，但真正影响大的就那几个。下面这张表是我实际调参时总结的优先级：

调参优先级：先调 lr0 和 batch，再看损失曲线决定要不要加正则化，最后才考虑改损失权重。不要一上来就大改，否则出了问题都不知道是哪个参数导致的。

4. 模型验证与部署前排查：mAP 达标但实际效果差的五个原因

4.1 验证集指标与真实场景的差距分析

训练完看 mAP@0.5 到了 0.9 就以为万事大吉，结果一部署到实际场景就翻车，这是最常见的踩坑。原因通常是验证集和真实场景的数据分布不一致。比如验证集都是白底产品图，实际场景是传送带上的垃圾，光照、角度、遮挡全变了。解决办法是：验证集一定要从真实场景里采，不要用网上下的干净数据集凑数。如果真实场景数据少，至少要做一轮实地拍摄，哪怕只有 200 张，也比没有强。

另一个容易忽略的点是置信度阈值。训练时默认conf=0.25，但实际部署时这个值要重新调。阈值太高会漏检，太低会误检。垃圾分类场景里，误检的代价可能比漏检高（把可回收物分到有害垃圾里，后续处理很麻烦），所以阈值可以适当调高到 0.4～0.5。

4.2 模型导出 ONNX 与 RK3588 部署注意事项

如果要在 RK3588 上部署，标准流程是：PyTorch → ONNX → RKNN。导出 ONNX 的命令：

yolo export model=runs/train/garbage_v1/weights/best.pt format=onnx imgsz=640 opset=12 simplify=True

opset=12是 RKNN 工具链兼容性最好的版本，simplify=True会做图优化，去掉冗余算子。导出后可以用 Netron 看一下网络结构，确认没有不支持的算子（比如某些自定义注意力模块可能不被 RKNN 支持，需要替换或删除）。

转 RKNN 的步骤大致是：先用rknn-toolkit2加载 ONNX，做量化校准（需要准备 100～200 张校准图），然后导出 rknn 模型。量化时注意：垃圾分类的颜色特征比较重要，如果用 int8 量化导致精度掉太多，可以改用混合量化，把第一层和最后一层保持 fp16。

4.3 推理速度优化：从 GTX1660Ti 到边缘设备的延迟对比

不同硬件的推理延迟差异很大。下面是我实测的一组数据（YOLOv8n，输入 640×640）：

如果延迟要求高，优先考虑 TensorRT 或 RKNN 量化加速。另外输入分辨率从 640 降到 416 可以提速约 40%，但小物体检测精度会下降，垃圾分类场景里瓶盖、电池这类小目标要谨慎降分辨率。

5. 垃圾分类识别落地避坑：五条血泪经验

5.1 标注不一致导致模型学偏

现象：训练 loss 正常下降，但验证集 mAP 卡在 0.5 上不去，混淆矩阵里某些类别互相混。

原因：多人标注时标准不统一。比如塑料瓶，有人标整个瓶身，有人只标瓶盖；纸箱有人标完整外框，有人只标有字的一面。模型看到同一类物体有完全不同的框，自然学不好。

解决：标注前先定规范文档，明确每个类别的标注边界。标注完成后抽 10% 做交叉检查，IoU 低于 0.5 的框要重新标。如果已经训了一轮发现这个问题，别急着调参，先把标注修干净再训。

5.2 类别不平衡导致小类召回率极低

现象：整体 mAP 看起来还行，但「有害垃圾」这类样本少的类别召回率不到 0.3。

原因：YOLOv8 默认的损失函数对类别不平衡没有特殊处理，样本少的类梯度贡献小，模型倾向于忽略。

解决：三个方案按优先级排——一是数据层面过采样小类，把「有害垃圾」的图片复制多份（注意要做不同的数据增强，不能简单复制）；二是用cls_pw参数给类别加权，值设为多数类样本数除以少数类样本数；三是改用 Focal Loss 替换默认的 BCE Loss，但需要改源码，改动较大。

5.3 数据增强过度导致训练不收敛

现象：训练 loss 震荡剧烈，mAP 忽高忽低，甚至出现 NaN。

原因：Mosaic 和 Mixup 同时开太高概率，或者mosaic=1.0加上mixup=0.5，生成的图片语义混乱，模型学不到有效特征。

解决：Mosaic 保持 1.0 没问题，但 Mixup 建议从 0.1 开始试，不要超过 0.3。如果数据集本身已经很大（超过 1 万张），Mosaic 可以降到 0.5。另外copy_paste在检测任务里不要开，那是给分割用的。

5.4 导出 ONNX 后精度下降

现象：PyTorch 模型 mAP 0.9，导出 ONNX 后用 onnxruntime 推理 mAP 掉到 0.7。

原因：通常是 opset 版本不匹配或者某些算子导出时被简化掉了。比如 SiLU 激活函数在低版本 opset 里不支持，会被替换成近似实现。

解决：导出时指定opset=12或更高，加simplify=True让 Ultralytics 自动做图优化。导出后用 Netron 对比 PyTorch 和 ONNX 的结构，看有没有算子被替换。如果还是掉点，试试dynamic=False固定输入尺寸，动态轴有时候会引入误差。

5.5 RK3588 量化后精度暴跌

现象：ONNX 模型在 PC 上 mAP 0.88，转 RKNN 做 int8 量化后 mAP 掉到 0.6。

原因：int8 量化对激活值范围敏感，垃圾分类场景里颜色和纹理特征丰富，量化误差累积后分类头先崩。

解决：一是校准集要覆盖所有类别和光照条件，不能只用几十张图；二是改用混合量化，把分类头的前几层和最后几层保持 fp16；三是如果精度还是不行，放弃 int8，用 fp16 推理，延迟会高一些但精度有保障。RK3588 的 NPU 对 fp16 支持也还行，实测延迟增加约 30%。

6. 从训练到产线：用 TensorRT 加速和置信度后处理把误检压下去

模型训好、部署跑通之后，真正决定能不能上产线的，往往是后处理。垃圾分类场景里，误检的代价很高——把塑料瓶识别成有害垃圾，后续分拣线要停机人工干预。我一般会在推理端加两层过滤：第一层是置信度阈值，第二层是类别特定的 NMS 策略。

置信度阈值不要全局用一个值。我的做法是给每个类别单独设阈值：可回收物 0.45，厨余垃圾 0.5，有害垃圾 0.6，其他垃圾 0.4。有害垃圾阈值最高，因为误检代价最大。这个阈值不是拍脑袋定的，是在验证集上画 P-R 曲线，找 F1 分数最高的点。

NMS 的 IoU 阈值默认是 0.7，但在垃圾堆叠场景里，两个物体挨得很近时会被误抑制。可以降到 0.5～0.6，让重叠的框保留更多。如果用的是 TensorRT 加速，NMS 可以放到 GPU 上做，用EfficientNMS_TRT插件，比 CPU 后处理快 5～10 倍。

TensorRT 加速的完整流程：

# 1. 导出 ONNX（前面已经做过） yolo export model=best.pt format=onnx opset=12 simplify=True # 2. 用 trtexec 转 TensorRT 引擎（FP16 模式） trtexec --onnx=best.onnx \ --saveEngine=best_fp16.engine \ --fp16 \ --workspace=4096 \ --minShapes=images:1x3x640x640 \ --optShapes=images:1x3x640x640 \ --maxShapes=images:4x3x640x640 # 3. Python 推理调用

import tensorrt as trt import pycuda.driver as cuda import numpy as np class TRTInference: def __init__(self, engine_path): self.logger = trt.Logger(trt.Logger.WARNING) with open(engine_path, "rb") as f: self.engine = trt.Runtime(self.logger).deserialize_cuda_engine(f.read()) self.context = self.engine.create_execution_context() self.stream = cuda.Stream() def infer(self, input_np): """input_np: 预处理后的 NCHW float32 数组""" # 分配显存、拷贝输入、执行推理、取回输出 # 具体绑定逻辑根据引擎的 binding 名称调整 pass # 使用示例：预处理 -> 推理 -> 后处理（置信度过滤 + NMS）

TensorRT 引擎的绑定名称和输出布局跟导出时的配置有关，建议先用trtexec --onnx=best.onnx --dumpLayerInfo看一下输出层的名字和维度。后处理里的框解码要注意：YOLOv8 的输出是[batch, 4+nc, num_anchors]，需要转置后再做解码，别搞反了。

最后说一个我踩过的坑：TensorRT 引擎和硬件绑定，在 GTX1660Ti 上生成的 engine 不能直接拿到 Orin 上用，必须重新转。如果产线有多台不同型号的设备，建议在每台设备上单独生成引擎，或者用 ONNX 作为中间格式在设备端首次运行时自动转换。这个流程虽然多一步，但省去了版本不匹配的玄学问题。

希望帮到你。

本文还有配套的精品资源，点击获取