【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 数据集基本信息项目内容中文名称生活垃圾图像分类数据集数据集类型多类别图像分类图像总数13,348张分类类别10类图像内容日常生活垃圾适用算法CNN、ResNet、MobileNet、EfficientNet、YOLO-cls深度学习框架PyTorch、TensorFlow适用任务图像分类、迁移学习、模型对比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 数据集类别及数量英文类别中文名称图片数量Metal金属930Glass玻璃1,736Biological厨余及生物质垃圾699Paper纸张1,336Battery电池756Trash其他垃圾453Cardboard纸板1,411Shoes鞋子1,449Clothes衣物1,892Plastic塑料1,597合计10类12,259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。算法模型主要特点推荐用途ResNet18结构成熟训练相对简单基础分类实验ResNet50特征提取能力较强分类模型对比MobileNetV3参数量较小轻量化分类EfficientNet-B0兼顾模型规模与精度模型性能对比YOLO11n-cls支持Ultralytics训练流程YOLO分类实验ViT基于Transformer架构深度学习进阶实验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数据集比例用途Train70%模型训练Validation15%模型验证Test15%最终测试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 modelmodels.resnet18(weightsmodels.ResNet18_Weights.DEFAULT)model.fcnn.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Ultralyticspipinstallultralytics训练代码fromultralyticsimportYOLO modelYOLO(yolo11n-cls.pt)model.train(dataGarbage_Dataset,epochs100,imgsz224,batch32)其中epochs100训练100轮。imgsz224输入图像尺寸为224×224。batch32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。评价指标主要作用Accuracy整体分类准确率Precision各类别预测结果的准确程度Recall各类别真实样本的识别比例Macro-F1衡量模型在不同类别上的综合表现Confusion Matrix查看不同垃圾类别之间的误分类情况Inference Time单张图片推理耗时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。推荐毕业设计题目题目主要算法难度基于ResNet18的生活垃圾图像分类研究ResNet18低基于MobileNetV3的轻量化垃圾分类研究MobileNetV3中基于EfficientNet的多类别垃圾图像识别研究EfficientNet中基于YOLO11-cls的生活垃圾分类方法研究YOLO11-cls低中基于迁移学习的生活垃圾图像分类模型对比研究ResNet、MobileNet、EfficientNet中基于改进卷积神经网络的多类别垃圾识别研究改进CNN中高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。~