简介本资源是一套基于YOLOv8的智能垃圾桶满溢检测完整项目面向计算机、人工智能、自动化等专业的在校学生及初学者解决实际场景中垃圾容量状态自动识别与预警问题适用于毕业设计、课程设计、大作业及项目原型验证。压缩包共8个文件含3个核心Python脚本训练、推理、可视化界面、3个模型权重文件yolov8n.pt、best.pt等及2个说明文档README与项目说明总大小15.91MB结构清晰、模块解耦开箱即用。已有40人学习下载项目经实机测试验证可一键运行并生成混淆矩阵、F1曲线、PR曲线、验证集预测图及标签分布统计等关键评估结果。配套部署教程详尽支持快速本地部署与效果演示代码注释充分便于理解YOLOv8训练流程与工业级视觉检测落地逻辑亦可作为二次开发基础框架拓展其他目标检测任务。 做毕设那段时间我在一堆题目里挑中了“基于YOLOv8的智能垃圾桶满溢检测”。刚开始以为就是调用一个现成模型跑一下结果从数据标注、模型训练、界面开发到部署打包每一步都有不少坑。后来我把整套东西整理成了一个可直接运行的源码包里面包含可视化界面、完整数据集和部署教程解压后照着文档跑基本不会卡壳。今天把整套实现从头到尾拆一遍给正在做相关毕设、课程设计或者想自己搞一个智能检测小项目的朋友做个参考。1. 项目拆解与方案选型1.1 这个项目到底在解决什么问题垃圾桶满溢检测的本质是把“垃圾桶满了”这个人工巡检问题变成摄像头自动识别的问题。城市里垃圾桶数量多、分布散靠人工检查效率很低校园、园区、社区里如果能装一个智能识别终端在垃圾桶满溢时自动通知保洁人员就能省下大量人力。这个方向非常适合做毕业设计或课程设计因为它的业务逻辑很清晰技术链路也完整目标检测、实时视频流处理、界面展示、告警消息每一块都能拿出来讲。实际做的时候你需要处理的不是“识别垃圾桶”这么简单而是要判断垃圾桶的盛满状态。我最初只定义了两类正常和满溢做到后面发现不够用因为垃圾桶从空到满是一个连续过程。最终我设了三个类别empty空、half_full半满、overflow满溢实际使用体验好很多。你完全可以根据自己拍摄的数据情况调整类别类别越细数据标注工作量越大但效果也更贴合真实场景。1.2 为什么选择YOLOv8而不是传统方案或其他版本我最早想用传统图像处理方案比如边缘检测加填充率估计但试下来发现太脆弱了。垃圾桶本身颜色、材质、灯光、拍摄角度一变阈值就失效根本没法泛化。后来换到深度学习目标检测锁定YOLO系列。选YOLOv8有几个很现实的原因。第一它在精度和速度之间平衡得很好我用一块GTX 1660 Ti显卡就能跑训练速度能接受推理也很快不至于为了跑个课设去租高价服务器。第二ultralytics这个框架把数据加载、训练、验证、导出封装得很完善一个pip install就能用非常省心。第三它的模型结构相比YOLOv5做了不少调整比如anchor-free检测头、C2f特征提取模块、解耦分类和回归头这些改进让它在小目标检测上表现更好而垃圾桶满溢检测里小目标场景并不少。这里顺便说一下为什么不用YOLOv5。YOLOv5本身也很成熟资料多但如果从零开始做新项目YOLOv8的代码结构更清晰导出ONNX、TensorRT、NCNN等格式都更顺手。项目时间有限的话我建议直接用YOLOv8。方案精度速度开发成本适合场景传统图像处理低受光照环境干扰大很快中需要大量调阈值固定机位、环境稳定不推荐YOLOv5较高快低资料多常规目标检测可用YOLOv8高快很低一站式毕设课设、快速落地推荐1.3 整体架构与核心模块划分整个项目可以拆成五块数据准备、模型训练、模型推理、可视化界面、部署运行。数据准备负责采集和标注图片模型训练负责生成可靠的权重文件模型推理负责加载权重并对图片、视频、摄像头画面做实时检测可视化界面负责把检测结果展示给用户同时提供告警功能部署运行负责把整套东西打包成可执行程序或导出到边缘设备。我做完之后回看这个项目最值得讲的地方不是某个算法有多深而是完整工程链路的打通。很多教程只讲训练一个模型却很少告诉你模型训完怎么接界面、界面怎么调摄像头、最后怎么打包给别人用。这篇博文会重点把后面这些环节补上。2. 数据准备训练集从哪来、怎么标、怎么分2.1 数据集来源与采集建议很多同学第一个问题就是数据从哪里来。我当时用了两个途径一是公开数据集二是在校园里自己拍。公开数据集能帮你快速跑通流程但直接拿别人的数据做毕设有个问题画面里的垃圾桶和你在现实场景里见到的往往不一样泛化效果没法保证。我建议优先自采数据实在不够再用公开数据集补充。自采数据需要注意几个点。角度上要覆盖平视、俯视和侧视因为摄像头安装位置不会固定光照上要区分白天、傍晚、晚上如果有可能室内和室外都拍一些垃圾桶类型上也要尽量多样化绿色大垃圾桶、灰色小垃圾桶、带盖和不带盖的都收集进去。我刚开始偷懒只拍了教学楼门口的同一种垃圾桶结果训练出来的模型一换场景就翻车后来老老实实补了一批数据效果才稳定。数量方面每个类别建议至少300张想训得稳一点就500到1000张。如果你只有一两百张也不是不能训但过拟合风险会很大泛化能力基本靠运气。对毕设来说三个类别总共1000张左右是一个比较合适的起步量。2.2 标注工具与YOLO格式说明数据采集完之后就是标注。我用的标注工具是LabelImg轻量、支持YOLO格式导出对新手非常友好。最近也有很多人用X-AnyLabeling支持自动标注辅助效率高一些适合图片量大的情况。不管用哪个核心是把标注结果保存成YOLO训练需要的txt格式。YOLO格式的标注文件长这样每一行代表一个目标五个数值分别表示类别id、归一化后的中心点x坐标、中心点y坐标、目标框宽度、目标框高度。比如一行“0 0.5 0.5 0.3 0.4”表示类别为0的目标位于图片中心附近宽高分别占整张图的30%和40%。这里要特别提醒坐标必须是归一化到0到1之间的小数不是像素值很多第一次做标注的同学就是在这里出错。标注的时候还要注意边界框的紧贴程度。垃圾桶被遮挡时尽量把可见部分的边界框标准确不要把遮挡物标进去。像垃圾桶盖、旁边的小树枝这类干扰能避开就避开。2.3 数据集划分与增强策略数据标注完成后要按比例划分训练集、验证集和测试集。常见的比例是8:1:1或7:2:1。划分时要确保同一场景、同一时间拍的连续帧不要同时出现在训练集和验证集里否则验证集指标会虚高换到真实场景立刻露馅。我建议按文件夹划分先建好images和labels两个总目录下面再分train、val、test。目录结构如下datasets/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/还要写一个data.yaml文件内容大致是train: datasets/images/train val: datasets/images/val test: datasets/images/test nc: 3 names: [empty, half_full, overflow]训练时不用手动做太多图像增强YOLOv8内置了mosaic、随机翻转、HSV色域变换、平移缩放等增强策略这些参数可以通过超参数文件调整。数据量少的时候我会把mosaic开启它能把四张图拼成一张变相增加样本多样性对防止过拟合很有帮助。3. 训练与调优让模型真正学会满溢检测3.1 环境配置与依赖安装训练环境是很多人卡住的第一关。我的建议是先用Anaconda创建一个独立环境别直接装在系统Python里不然后面依赖冲突会让人崩溃。创建环境并安装依赖的命令如下conda create -n yolov8-trash python3.9 conda activate yolov8-trash pip install ultralyticsultralytics会自动装好PyTorch、OpenCV等核心依赖。GPU用户额外注意PyTorch版本要与本地CUDA版本匹配。我的GTX 1660 Ti显存只有6GB装的是CUDA 11.8对应的PyTorch 1.13实测训练yolov8n和yolov8s都没问题。没有GPU的同学也不用太慌。CPU也能跑只是慢很多。yolov8n训练100个epoch可能要好几个小时但依然能出结果。如果你想在CPU环境跑建议把imgsz降到480workers调低训练时把模型换成yolov8n这种最小的还勉强能接受。3.2 训练命令与关键参数解析训练命令不复杂核心一行yolo detect train datadata.yaml modelyolov8n.pt epochs100 imgsz640 batch16 device0如果想在Python脚本里调用写法是from ultralytics import YOLO model YOLO(yolov8n.pt) model.train(datadata.yaml, epochs100, imgsz640, batch16, device0)我先解释几个实战中最重要的参数。参数推荐值说明modelyolov8n.pt / yolov8s.pt模型大小n最轻量s精度稍高显存小就选nepochs100训练轮数数据少时用早停机制自动截断imgsz640输入图片尺寸越大精度越高但显存占用越大batch8-16根据显存调显存不足就减半patience20验证集指标连续20轮不提升就早停device0使用GPU训练CPU就填cpu刚开始训练时建议直接加载官方预训练权重yolov8n.pt做迁移学习而不是从头训练。预训练权重已经在COCO数据集上学到了大量基础特征你只需要微调后面的层来适应垃圾桶场景这样收敛快、效果好对数据量要求也低。3.3 训练结果分析与常见训练问题训练完结果会保存在runs/detect/train目录下里面有权重文件、曲线图和验证图片。我最先看的是results.png里的两张曲线loss曲线和mAP曲线。训练集loss下降说明模型在拟合数据验证集mAP50能到0.9以上说明模型泛化不错。如果训练集loss一直降、验证集mAP却上不去基本就是过拟合了需要加数据增强、增加数据量或者换更小的模型。训练过程中最容易踩的坑是类别不平衡。比如满溢样本只占10%模型会倾向于预测成占比最大的类别导致满溢检测不出。解决办法是给每个类别补数据或者调整损失函数里的类别权重。我一开始就吃过这个亏后来专门补拍了一批满溢状态的垃圾桶问题立刻缓解。还有一个大家常问的问题loss降到多少算正常。说实话没有统一标准关键看验证集mAP和实际检测效果。我做这个项目时训练集box_loss能降到0.8以下mAP50稳定在0.92左右实际界面测试已经够用了。4. 可视化界面从命令行到可操作工具4.1 界面技术选型模型训练好了如果只停留在命令行运行拿去答辩展示会很单薄。可视化界面是让项目“看起来完整”的关键。界面方案有几种PyQt5、Tkinter、Streamlit、Gradio我分别说一下。Gradio和Streamlit适合快速做演示代码量很少几行就能出一个网页界面但定制性和桌面感差一些。Tkinter是Python自带不需要额外装界面风格比较朴素。PyQt5功能强大、界面美观可以做较复杂的交互打包成exe也比较成熟。我做毕设时选了PyQt5虽然代码量比Gradio大但展示效果更好老师印象分高。从效率角度我建议你如果时间紧张就先用Gradio半小时出一个能用的界面如果想做得正式一点再上PyQt5。项目源码包里我默认提供的是PyQt5版本同时留了一个Gradio简版入口。4.2 检测主流程与告警逻辑实现界面的核心逻辑很简单用户选择图片来源图片、视频、摄像头程序把每一帧送入YOLOv8推理绘制检测框和类别最后根据检测结果触发告警。核心推理代码大概这样import cv2 from ultralytics import YOLO model YOLO(best.pt) def detect_frame(frame): results model.predict(frame, conf0.45, device0) boxes results[0].boxes for box in boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) xyxy [int(v) for v in box.xyxy[0]] label model.names[cls_id] color (0, 0, 255) if label overflow else (0, 255, 0) cv2.rectangle(frame, (xyxy[0], xyxy[1]), (xyxy[2], xyxy[3]), color, 2) cv2.putText(frame, f{label} {conf:.2f}, (xyxy[0], xyxy[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, color, 2) return frameconf阈值建议设在0.4到0.5之间。设太低会出现大量误检设太高又会漏检。满溢状态是重点关心的所以我把满溢类别的置信度阈值单独调低了一点优先保证不漏报。告警逻辑我用的是“连续N帧判定”策略也就是只有连续5帧以上检测到overflow才触发告警避免瞬时误检造成的误报。触发后界面会弹窗提示同时把当时的画面截图保存到record文件夹并把检测记录写入CSV日志。这个细节在答辩时很加分体现了工程思维。4.3 界面性能优化界面卡顿是最影响使用体验的问题。原因通常是一个线程同时干了推理和UI刷新两件事摄像头帧率一高界面就假死了。解决方法是把推理放到后台线程主线程只负责刷新界面。具体实现可以用Python的QThread把检测函数放进线程里通过信号把处理完的画面传回界面显示。摄像头输入同样有很多细节。OpenCV读取摄像头时VideoCapture的index在0、1、2之间试注意有些笔记本电脑自带摄像头和USB摄像头的index不一样。摄像头分辨率不必给太高1280x720足够分辨率越高推理越慢。5. 部署运行从源码包到稳定运行5.1 源码包结构与启动流程我提供的源码包目录结构如下smart-trash-can/ ├── datasets/ │ ├── images/ │ ├── labels/ │ └── data.yaml ├── weights/ │ └── best.pt ├── ui/ │ ├── main_window.py │ └── gradio_app.py ├── utils/ │ ├── detector.py │ └── alert.py ├── record/ ├── requirements.txt ├── train.py ├── detect.py └── README.md拿到源码包后不要急着双击运行。第一步是创建环境并安装依赖第二步用pip install -r requirements.txt装上所有包第三步把权重文件放到weights目录最后运行ui/main_window.py启动界面。如果一切正常界面启动后就能选择摄像头开始实时检测。5.2 模型导出与边缘设备部署毕设演示用本地模型就够了但如果想让项目更有深度可以提一下边缘部署。ultralytics支持一键导出多种格式yolo export modelbest.pt formatonnx dynamicTrue导出ONNX后可以继续转成TensorRTNVIDIA设备、NCNN手机端、OpenVINOIntel设备。我做这个项目时顺便把所有导出格式都试了一遍实际推理速度和ONNX差不多但如果要部署到嵌入式设备TensorRT或NCNN是更实际的方案。很多同学问手机安装包怎么做。思路是先导出NCNN格式再用Android Studio写一个简单App加载模型或者用ncnn-android-demo改。这个工作量不小建议把它作为扩展内容放在PPT里讲不要挤占核心毕设时间。以你手头的GTX 1660 Ti跑YOLOv8使用yolov8n加半精度FP16推理1080p视频流能稳定跑到30帧以上这个性能表现已经足够支撑摄像头实时检测场景。5.3 打包成exe的注意事项如果你想打包成exe发给别人用PyInstaller是主流选择。打包命令如下pip install pyinstaller pyinstaller -D -w ui/main_window.py --name SmartTrashCan这里有几个坑必须注意。第一-D模式目录模式比--onefile单文件模式更稳定启动速度也更快虽然会生成一堆文件但不容易出现运行时解压失败的问题。第二要记得把权重文件best.pt和data.yaml复制到打包目录下路径写错模型加载不出来。第三PyQt5有时需要额外指定hidden-import比如pyinstaller -D -w ui/main_window.py --hidden-importultralytics --hidden-importcv2 --name SmartTrashCan打包出来的exe如果运行闪退先回到命令行模式运行看控制台报什么错不要盲目加依赖。6. 常见问题速查与避坑经验6.1 高频报错及解决办法我整理了一份真实项目中出现频率最高的问题清单每一条都是我自己踩过的或者帮同学排查时遇到的。报错/现象原因解决办法ModuleNotFoundError: No module named ultralytics依赖没装用pip install ultralytics重装CUDA out of memory显存不足调小batch16变8或调小imgsz640变480或者换yolov8nlabels not found标注路径或格式不对检查datasets/labels目录是否存在data.yaml路径是否写对找不到best.pt权重路径不对默认在runs/detect/train/weights/best.pt复制到weights目录时勿改名中文路径报错OpenCV和PyTorch对中文路径支持差路径全部改成英文文件夹不要有空格界面卡死推理和UI在同一个线程用QThread把推理放到后台线程摄像头打不开摄像头索引不对或权限限制换index 0/1/2台式机确认USB摄像头被系统识别模型检测不出满溢数据不平衡或阈值过高补充满溢数据调整conf阈值必要时重新标注6.2 毕设答辩中的加分点与扩展思路做完基础功能后如果你想在答辩中拉开差距有几个方向值得投入时间。一是加入垃圾分类识别在检测满溢的同时识别垃圾桶里是否混入了不该丢的垃圾这样课题能往“智慧环保”方向拔高。二是把满溢状态做成连续值而不仅仅是离散类别也就是输出一个0到1的填充率让判断更精细。三是把告警信息接入消息队列或云端模拟真实物联网场景让系统具备远程监控能力。我实际项目里做的是第三种方向将检测结果通过MQTT发送到本地服务器再推送到手机端显示。这个改动大概多花了两天时间但对项目整体完整度的提升非常明显属于性价比很高的扩展。即使不做实际推送在界面里预留一个“IoT上报”按钮也能体现你对应用场景的考虑。另一个容易忽略的点是视频检测的稳定性。摄像头画面经常抖垃圾桶可能被树影遮住。你可以加一个简单的“检测结果平滑”逻辑比如每5帧取一次众数作为最终状态这样界面上的状态不会跳来跳去。这种细节答辩老师一般都会关注。最后分享一点个人经验这个项目做完我最大的体会是先跑通再调优比一开始就追求高性能有用得多。很多同学一上来就想用yolov8x加超大模型结果数据没整理好模型训了一通发现验证集指标上不去。我建议按“环境→数据→小模型→界面→优化”的顺序推进每一步确认没问题再进下一步这样出问题是可定位的不会一错错到最后。另外数据集比模型结构更影响最终效果。我踩过最深的坑就是数据太少、标注不认真导致模型看着训练准确率很高一测真实场景就拉胯。后来把数据集补到上千张重新标注了出错样本效果立刻上了几个档次。如果你在跑这个项目的过程中遇到问题欢迎留言交流很多报错我一看就知道是哪里的问题。本文还有配套的精品资源点击获取