企业官网建设流程全解析

【深度学习数据集】10类生活垃圾图像分类数据集，1.3万张图片，支持ResNet、MobileNet训练

今天分享一个适合机器学习、深度学习和图像分类研究的数据集

该数据集涵盖金属、玻璃、塑料、纸张、纸板、电池、厨余垃圾、衣物、鞋子等10种生活垃圾类别，包含13,348张图像，可以用于垃圾图像分类、迁移学习、多模型对比等实验。

相比只有几百张图片的小型分类数据集，这个数据集类别更加丰富，也比较适合计算机专业本科毕业设计和深度学习入门项目。

一、数据集基本介绍

一个面向生活垃圾分类的多类别图像数据集。

数据集主要用于训练计算机视觉模型，根据输入图片判断垃圾所属类别，为自动垃圾分类、回收识别等应用提供基础数据。

1.1 数据集基本信息

需要注意，数据集介绍中的总图像数与各类别数量合计不一致，可能涉及不同版本或统计信息未同步，实际使用时应先核对下载文件。

二、数据集包含哪些垃圾类别？

该数据集共包含10个类别，覆盖常见生活垃圾和可回收物品。

2.1 数据集类别及数量

其中，衣物类别图片最多，达到1,892张；其他垃圾类别最少，为453张。

各类别图片数量分布

Clothes ███████████████████ 1892 Glass █████████████████ 1736 Plastic ████████████████ 1597 Shoes ██████████████ 1449 Cardboard ██████████████ 1411 Paper █████████████ 1336 Metal █████████ 930 Battery ████████ 756 Biological ███████ 699 Trash █████ 453

从类别分布来看，该数据集存在一定程度的类别不平衡。

例如，衣物类别的图片数量约为其他垃圾类别的4.2倍。

因此，在训练过程中，不能只关注整体准确率，还应结合各类别Precision、Recall和F1-score进行评估。

2.2 各类别的主要特点

① 金属（Metal）

主要包括金属罐、金属容器及其他金属制品。部分目标具有明显的反光特征。

② 玻璃（Glass）

主要包括玻璃瓶、玻璃容器等。透明材质和反光可能影响模型识别。

③ 生物质垃圾（Biological）

主要包括食物残渣、果皮等可降解有机垃圾，外观差异相对较大。

④ 纸张与纸板（Paper / Cardboard）

这两类在视觉上可能比较相似，例如纸箱、纸袋、普通纸张等，需要模型学习纹理、厚度及形状等特征。

⑤ 电池（Battery）

主要识别不同外观的废旧电池，适合用于特殊垃圾类别识别实验。

⑥ 衣物与鞋子（Clothes / Shoes）

这两类相比传统垃圾分类数据集更加具有特点，能够增加分类任务的多样性。

三、数据集适合什么任务？

该数据集最适合的任务是单张图像多类别分类。

即输入一张垃圾图片，模型输出所属类别及预测概率。

例如：

输入：一张塑料瓶图片 ↓ 图像预处理 ↓ 深度学习模型 ↓ 输出：Plastic 预测概率：0.96（示例）

需要注意，0.96仅用于说明模型输出形式，并不是该数据集的实际训练结果。

3.1 图像分类

利用CNN、ResNet等模型，对输入图片进行10类别分类。

这是该数据集最直接的使用方式。

3.2 迁移学习

利用ImageNet预训练模型，在该垃圾分类数据集上进行微调。

相比完全从零训练，迁移学习通常更适合中小规模图像分类数据集。

3.3 多模型性能对比

使用相同的数据划分和训练条件，对比不同分类算法的效果。

可以分析不同模型的分类准确率、参数量和推理速度。

3.4 YOLO图像分类

YOLO除了目标检测，还支持图像分类任务。

例如，可以使用YOLO11n-cls训练10类垃圾分类模型。

不过需要区分：

• YOLO分类模型：判断整张图片属于哪类垃圾。
• YOLO目标检测模型：识别图片中多个垃圾的位置和类别。

如果原始数据没有提供Bounding Box检测框标注，就不能直接用于YOLO目标检测训练，需要额外标注。

四、推荐使用哪些深度学习算法？

该数据集适合使用经典CNN以及轻量化图像分类网络。

对于本科毕业设计，可以优先选择：

ResNet18 + MobileNetV3 + EfficientNet-B0

使用3种模型开展训练与对比，既能够完成图像分类任务，也可以分析不同网络结构在准确率、参数量及推理速度方面的差异。

五、数据集如何进行模型训练？

下面以ResNet18和YOLO11分类模型为例，介绍基本训练方式。

5.1 数据集目录结构

如果数据集尚未划分训练集、验证集和测试集，可以按照以下结构整理：

Dataset/ │ ├── train/ │ ├── Metal/ │ ├── Glass/ │ ├── Biological/ │ ├── Paper/ │ ├── Battery/ │ ├── Trash/ │ ├── Cardboard/ │ ├── Shoes/ │ ├── Clothes/ │ └── Plastic/ │ ├── val/ │ └── ... │ └── test/ └── ...

每个类别文件夹中存放对应的垃圾图片。

以上是推荐的分类数据组织方式，不代表原始数据集一定采用该目录结构。

5.2 数据集划分

如果原始数据没有提供固定划分，可以采用：

建议采用分层抽样，尽量保持各类别在不同子集中的比例一致。

如果存在重复图片或同一物品的多角度图片，还应避免这些高度相似的图像同时进入训练集和测试集。

5.3 使用ResNet18训练

推荐使用PyTorch进行训练。

安装环境：

pipinstalltorch torchvision scikit-learn

加载预训练模型并修改分类层：

importtorch.nnasnnfromtorchvisionimportmodels model=models.resnet18(weights=models.ResNet18_Weights.DEFAULT)model.fc=nn.Linear(model.fc.in_features,10)

这里将ResNet18最后的全连接层修改为10类别输出。

后续配合DataLoader、交叉熵损失函数和优化器，即可开展训练。

5.4 使用YOLO11分类模型训练

安装Ultralytics：

pipinstallultralytics

训练代码：

fromultralyticsimportYOLO model=YOLO("yolo11n-cls.pt")model.train(data="Garbage_Dataset",epochs=100,imgsz=224,batch=32)

其中：

• epochs=100：训练100轮。
• imgsz=224：输入图像尺寸为224×224。
• batch=32：每批次32张图片。

这些属于示例训练参数，实际训练时可以根据硬件条件调整。

六、模型训练需要关注哪些指标？

对于10类别垃圾分类任务，建议重点关注以下指标。

由于该数据集存在类别数量差异，建议除了Accuracy，还重点关注Macro-F1。

例如，模型可能在衣物、玻璃等样本较多的类别上表现较好，但在其他垃圾等样本较少的类别上识别效果较差。

通过混淆矩阵，可以进一步分析纸张与纸板、塑料与玻璃等类别之间是否容易出现混淆。

七、这个数据集适合做毕业设计吗？

适合本科图像分类毕业设计，也可以作为研究生算法实验的基础数据集。

主要优势包括：

① 类别丰富

包含10种生活垃圾类别，比简单的二分类或四分类任务更有研究空间。

② 图片数量较多

官方介绍包含1.3万余张图像，能够支持常见深度学习分类模型训练。实际数量需核对。

③ 支持多种算法对比

可以使用ResNet、MobileNet、EfficientNet等模型进行实验，比较分类性能。

④ 有相关论文和开源项目

数据集具有论文参考资料，方便了解已有实验方法及相关研究。

推荐毕业设计题目

对于本科毕业设计，推荐采用3种分类模型对比 + 混淆矩阵分析 + 预测结果可视化的方案。

如果是研究生课题，仅使用现成网络训练分类模型通常创新性不足，可以进一步研究类别不平衡、轻量化网络、复杂背景下的分类鲁棒性等问题。

~