YOLOv11多类别垃圾目标检测数据集 数据集基本信息目标类别 [‘Aerosol’, ‘Aluminium blister pack’, ‘Aluminium foil’, ‘Battery’, ‘Broken glass’, ‘Carded blister pack’, ‘Cigarette’, ‘Clear plastic bottle’, ‘Corrugated carton’, ‘Crisp packet’, ‘Disposable food container’, ‘Disposable plastic cup’, ‘Drink can’, ‘Drink carton’, ‘Egg carton’, ‘Foam cup’, ‘Foam food container’, ‘Food Can’, ‘Food waste’, ‘Garbage bag’, ‘Glass bottle’, ‘Glass cup’, ‘Glass jar’, ‘Magazine paper’, ‘Meal carton’, ‘Metal bottle cap’, ‘Metal lid’, ‘Normal paper’, ‘Other carton’, ‘Other plastic’, ‘Other plastic bottle’, ‘Other plastic container’, ‘Other plastic cup’, ‘Other plastic wrapper’, ‘Paper bag’, ‘Paper cup’, ‘Paper straw’, ‘Pizza box’, ‘Plastic bottle cap’, ‘Plastic film’, ‘Plastic glooves’, ‘Plastic lid’, ‘Plastic straw’, ‘Plastic utensils’, ‘Polypropylene bag’, ‘Pop tab’, ‘Rope - strings’, ‘Scrap metal’, ‘Shoe’, ‘Single-use carrier bag’, ‘Spread tub’, ‘Squeezable tube’, ‘Styrofoam piece’, ‘Tissues’, ‘Toilet tube’, ‘Tupperware’, ‘Unlabeled litter’, ‘Wrapping paper’]中文类别[‘喷雾罐’, ‘铝箔泡罩包装’, ‘铝箔’, ‘电池’, ‘破碎玻璃’, ‘纸质泡罩包装’, ‘香烟’, ‘透明塑料瓶’, ‘瓦楞纸箱’, ‘薯片袋’, ‘一次性食品容器’, ‘一次性塑料杯’, ‘饮料罐’, ‘饮料盒’, ‘蛋托’, ‘泡沫杯’, ‘泡沫食品容器’, ‘食品罐’, ‘食物垃圾’, ‘垃圾袋’, ‘玻璃瓶’, ‘玻璃杯’, ‘玻璃罐’, ‘杂志纸’, ‘餐盒’, ‘金属瓶盖’, ‘金属盖子’, ‘普通纸张’, ‘其他纸箱’, ‘其他塑料’, ‘其他塑料瓶’, ‘其他塑料容器’, ‘其他塑料杯’, ‘其他塑料包装’, ‘纸袋’, ‘纸杯’, ‘纸质吸管’, ‘披萨盒’, ‘塑料瓶盖’, ‘塑料薄膜’, ‘塑料手套’, ‘塑料盖子’, ‘塑料吸管’, ‘塑料餐具’, ‘聚丙烯袋’, ‘拉环’, ‘绳索-丝带’, ‘废金属’, ‘鞋子’, ‘一次性购物袋’, ‘涂抹罐’, ‘挤压管’, ‘泡沫塑料块’, ‘纸巾’, ‘卫生纸管’, ‘密胺餐具’, ‘未标注垃圾’, ‘包装纸’]训练集1011 张验证集281 张测试集136 张总计1428 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:58names:[Aerosol,Aluminium blister pack,Aluminium foil,Battery,Broken glass,Carded blister pack,Cigarette,Clear plastic bottle,Corrugated carton,Crisp packet,Disposable food container,Disposable plastic cup,Drink can,Drink carton,Egg carton,Foam cup,Foam food container,Food Can,Food waste,Garbage bag,Glass bottle,Glass cup,Glass jar,Magazine paper,Meal carton,Metal bottle cap,Metal lid,Normal paper,Other carton,Other plastic,Other plastic bottle,Other plastic container,Other plastic cup,Other plastic wrapper,Paper bag,Paper cup,Paper straw,Pizza box,Plastic bottle cap,Plastic film,Plastic glooves,Plastic lid,Plastic straw,Plastic utensils,Polypropylene bag,Pop tab,Rope - strings,Scrap metal,Shoe,Single-use carrier bag,Spread tub,Squeezable tube,Styrofoam piece,Tissues,Toilet tube,Tupperware,Unlabeled litter,Wrapping paper]️ 标注可视化 数据集分析YOLOv11户外垃圾散落场景饮料罐目标检测数据集该数据集聚焦于户外环境中各类垃圾的精准识别与分类特别是针对饮料罐这一核心检测目标。通过在不同场景下采集大量真实垃圾样本构建了一个高质量的目标检测数据集为智能垃圾分类、环境监测及自动化清理设备的研发提供了可靠的数据支撑。数据分布方面该数据集精心设计了1011张训练集、281张验证集和136张测试集总计1428张图像。这种比例分配确保了模型在训练阶段能够充分学习特征在验证阶段进行有效调优并在测试阶段全面评估性能。数据覆盖了城市街道、公园绿地、海滩沙滩等多种典型户外场景样本分布均衡能够有效提升模型的泛化能力。从标注质量来看该数据集表现出极高的专业水准。每张图像中的垃圾目标均经过精确标注边界框定位准确类别标签完整且规范。标注人员严格遵循统一的标准操作流程确保了数据的一致性和可靠性为后续的模型训练和评估奠定了坚实基础。该数据集具有广泛的应用前景可直接应用于智能垃圾分类系统、环境监测平台以及自动化清理设备等领域。特别是在户外垃圾清理、公共区域环境维护以及环保执法等场景中能够显著提升垃圾识别的准确性和效率助力实现智能化、自动化的环境管理目标。YOLOv11训练步骤一、环境安装pipinstallultralytics# 依赖要求Python≥3.8PyTorch≥1.8。安装完成后可通过 yolo checks 验证环境。二、数据集准备YOLO格式1. 目录结构数据集必须严格按以下结构组织dataset/ ├── train/ │ ├── images/ # 训练图片jpg/png │ └── labels/ # YOLO格式标注txt ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件2. YOLO标注格式每个*.txt文件对应一张图片每行格式为class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值0~1。3. data.yaml 配置文件# data.yamlpath:../dataset# 数据集根目录相对或绝对路径train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径可选# 类别信息nc:2# 类别数量names:[class1,class2]# 类别名称列表三、模型选择YOLO11 提供 5 种尺度官方命名规则为yolo11{n/s/m/l/x}.pt模型参数量适用场景yolo11n2.6M边缘设备、速度优先yolo11s9.4M平衡精度与速度yolo11m20.1M常规GPU训练yolo11l25.3M高精度需求yolo11x56.9M极致精度、算力充足四、模型训练方式1Python API推荐创建train.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型推荐基于COCO预训练权重微调modelYOLO(yolo11m.pt)# 训练参数train_params{data:data.yaml,# 数据集配置文件epochs:100,# 训练轮次imgsz:640,# 输入图像尺寸batch:16,# 批次大小根据显存调整device:0,# GPU设备号cpu表示CPU训练workers:8,# 数据加载线程数optimizer:SGD,# 优化器SGD/Adam/AdamWlr0:0.01,# 初始学习率patience:50,# 早停耐心值save:True,# 保存模型project:runs/train,# 项目保存路径name:exp,# 实验名称single_cls:False,# 单类别检测设为Trueclose_mosaic:10,# 最后N轮关闭马赛克增强}# 开始训练resultsmodel.train(**train_params)# 输出最佳模型路径print(fBest model saved at:{results.best})if__name____main__:main()三种模型加载方式对比# 方式A从YAML构建全新模型从头训练适合网络结构改进modelYOLO(yolo11m.yaml)# 方式B加载预训练权重最常用推荐modelYOLO(yolo11m.pt)# 方式C构建新模型并迁移预训练权重改进网络后使用modelYOLO(yolo11m.yaml).load(yolo11m.pt)方式2命令行 CLI# 基础训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100imgsz640batch16device0# 多GPU训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100device0,1# 从YAML预训练权重训练yolo detect traindatadata.yamlmodelyolo11m.yamlpretrainedyolo11m.ptepochs100五、关键训练参数说明参数说明建议值epochs训练总轮次100~300imgsz输入尺寸640标准batch批次大小8/16/32根据显存device训练设备0单GPU、0,1多GPU、cpu、mpsApple芯片workers数据加载线程8~16Windows建议≤8optimizer优化器SGD默认、Adam、AdamWlr0/lrf初始/最终学习率0.01 / 0.01momentumSGD动量0.937weight_decay权重衰减0.0005single_cls单类别模式True/Falseresume恢复中断训练True需指定last.ptamp自动混合精度True默认开启省显存六、模型验证创建val.pyfromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重modelYOLO(runs/train/exp/weights/best.pt)# 验证metricsmodel.val(datadata.yaml,splitval,# 验证集val 或 testimgsz640,batch16,iou0.6,# NMS IoU阈值device0,save_jsonFalse,# 是否保存COCO格式JSON)# 输出关键指标print(fmAP50-95:{metrics.box.map})# mAP0.5:0.95print(fmAP50:{metrics.box.map50})# mAP0.5print(fmAP75:{metrics.box.map75})# mAP0.75if__name____main__:main()CLI 方式yolo detect valmodelruns/train/exp/weights/best.ptdatadata.yaml七、模型推理/预测创建predict.pyfromultralyticsimportYOLOimportcv2defmain():modelYOLO(runs/train/exp/weights/best.pt)# 单张图片推理resultsmodel.predict(sourcetest_images/,# 图片路径、文件夹、URL或摄像头索引0imgsz640,conf0.25,# 置信度阈值iou0.45,# NMS IoU阈值device0,saveTrue,# 保存结果图showFalse,# 是否弹窗显示)# 遍历结果forresultinresults:boxesresult.boxes# 检测框masksresult.masks# 分割掩码如使用分割模型probsresult.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2box.xyxy[0].tolist()confbox.conf[0].item()clsint(box.cls[0].item())print(fClass:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}])if__name____main__:main()CLI 方式yolo detect predictmodelruns/train/exp/weights/best.ptsourcetest_images/saveTrue## 数据集下载 小郭AI日志
YOLOv11多类别垃圾目标检测数据集-1428张-Litter-Detection-1
发布时间：2026/6/10 3:46:45
YOLOv11多类别垃圾目标检测数据集 数据集基本信息目标类别 [‘Aerosol’, ‘Aluminium blister pack’, ‘Aluminium foil’, ‘Battery’, ‘Broken glass’, ‘Carded blister pack’, ‘Cigarette’, ‘Clear plastic bottle’, ‘Corrugated carton’, ‘Crisp packet’, ‘Disposable food container’, ‘Disposable plastic cup’, ‘Drink can’, ‘Drink carton’, ‘Egg carton’, ‘Foam cup’, ‘Foam food container’, ‘Food Can’, ‘Food waste’, ‘Garbage bag’, ‘Glass bottle’, ‘Glass cup’, ‘Glass jar’, ‘Magazine paper’, ‘Meal carton’, ‘Metal bottle cap’, ‘Metal lid’, ‘Normal paper’, ‘Other carton’, ‘Other plastic’, ‘Other plastic bottle’, ‘Other plastic container’, ‘Other plastic cup’, ‘Other plastic wrapper’, ‘Paper bag’, ‘Paper cup’, ‘Paper straw’, ‘Pizza box’, ‘Plastic bottle cap’, ‘Plastic film’, ‘Plastic glooves’, ‘Plastic lid’, ‘Plastic straw’, ‘Plastic utensils’, ‘Polypropylene bag’, ‘Pop tab’, ‘Rope - strings’, ‘Scrap metal’, ‘Shoe’, ‘Single-use carrier bag’, ‘Spread tub’, ‘Squeezable tube’, ‘Styrofoam piece’, ‘Tissues’, ‘Toilet tube’, ‘Tupperware’, ‘Unlabeled litter’, ‘Wrapping paper’]中文类别[‘喷雾罐’, ‘铝箔泡罩包装’, ‘铝箔’, ‘电池’, ‘破碎玻璃’, ‘纸质泡罩包装’, ‘香烟’, ‘透明塑料瓶’, ‘瓦楞纸箱’, ‘薯片袋’, ‘一次性食品容器’, ‘一次性塑料杯’, ‘饮料罐’, ‘饮料盒’, ‘蛋托’, ‘泡沫杯’, ‘泡沫食品容器’, ‘食品罐’, ‘食物垃圾’, ‘垃圾袋’, ‘玻璃瓶’, ‘玻璃杯’, ‘玻璃罐’, ‘杂志纸’, ‘餐盒’, ‘金属瓶盖’, ‘金属盖子’, ‘普通纸张’, ‘其他纸箱’, ‘其他塑料’, ‘其他塑料瓶’, ‘其他塑料容器’, ‘其他塑料杯’, ‘其他塑料包装’, ‘纸袋’, ‘纸杯’, ‘纸质吸管’, ‘披萨盒’, ‘塑料瓶盖’, ‘塑料薄膜’, ‘塑料手套’, ‘塑料盖子’, ‘塑料吸管’, ‘塑料餐具’, ‘聚丙烯袋’, ‘拉环’, ‘绳索-丝带’, ‘废金属’, ‘鞋子’, ‘一次性购物袋’, ‘涂抹罐’, ‘挤压管’, ‘泡沫塑料块’, ‘纸巾’, ‘卫生纸管’, ‘密胺餐具’, ‘未标注垃圾’, ‘包装纸’]训练集1011 张验证集281 张测试集136 张总计1428 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:58names:[Aerosol,Aluminium blister pack,Aluminium foil,Battery,Broken glass,Carded blister pack,Cigarette,Clear plastic bottle,Corrugated carton,Crisp packet,Disposable food container,Disposable plastic cup,Drink can,Drink carton,Egg carton,Foam cup,Foam food container,Food Can,Food waste,Garbage bag,Glass bottle,Glass cup,Glass jar,Magazine paper,Meal carton,Metal bottle cap,Metal lid,Normal paper,Other carton,Other plastic,Other plastic bottle,Other plastic container,Other plastic cup,Other plastic wrapper,Paper bag,Paper cup,Paper straw,Pizza box,Plastic bottle cap,Plastic film,Plastic glooves,Plastic lid,Plastic straw,Plastic utensils,Polypropylene bag,Pop tab,Rope - strings,Scrap metal,Shoe,Single-use carrier bag,Spread tub,Squeezable tube,Styrofoam piece,Tissues,Toilet tube,Tupperware,Unlabeled litter,Wrapping paper]️ 标注可视化 数据集分析YOLOv11户外垃圾散落场景饮料罐目标检测数据集该数据集聚焦于户外环境中各类垃圾的精准识别与分类特别是针对饮料罐这一核心检测目标。通过在不同场景下采集大量真实垃圾样本构建了一个高质量的目标检测数据集为智能垃圾分类、环境监测及自动化清理设备的研发提供了可靠的数据支撑。数据分布方面该数据集精心设计了1011张训练集、281张验证集和136张测试集总计1428张图像。这种比例分配确保了模型在训练阶段能够充分学习特征在验证阶段进行有效调优并在测试阶段全面评估性能。数据覆盖了城市街道、公园绿地、海滩沙滩等多种典型户外场景样本分布均衡能够有效提升模型的泛化能力。从标注质量来看该数据集表现出极高的专业水准。每张图像中的垃圾目标均经过精确标注边界框定位准确类别标签完整且规范。标注人员严格遵循统一的标准操作流程确保了数据的一致性和可靠性为后续的模型训练和评估奠定了坚实基础。该数据集具有广泛的应用前景可直接应用于智能垃圾分类系统、环境监测平台以及自动化清理设备等领域。特别是在户外垃圾清理、公共区域环境维护以及环保执法等场景中能够显著提升垃圾识别的准确性和效率助力实现智能化、自动化的环境管理目标。YOLOv11训练步骤一、环境安装pipinstallultralytics# 依赖要求Python≥3.8PyTorch≥1.8。安装完成后可通过 yolo checks 验证环境。二、数据集准备YOLO格式1. 目录结构数据集必须严格按以下结构组织dataset/ ├── train/ │ ├── images/ # 训练图片jpg/png │ └── labels/ # YOLO格式标注txt ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件2. YOLO标注格式每个*.txt文件对应一张图片每行格式为class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值0~1。3. data.yaml 配置文件# data.yamlpath:../dataset# 数据集根目录相对或绝对路径train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径可选# 类别信息nc:2# 类别数量names:[class1,class2]# 类别名称列表三、模型选择YOLO11 提供 5 种尺度官方命名规则为yolo11{n/s/m/l/x}.pt模型参数量适用场景yolo11n2.6M边缘设备、速度优先yolo11s9.4M平衡精度与速度yolo11m20.1M常规GPU训练yolo11l25.3M高精度需求yolo11x56.9M极致精度、算力充足四、模型训练方式1Python API推荐创建train.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型推荐基于COCO预训练权重微调modelYOLO(yolo11m.pt)# 训练参数train_params{data:data.yaml,# 数据集配置文件epochs:100,# 训练轮次imgsz:640,# 输入图像尺寸batch:16,# 批次大小根据显存调整device:0,# GPU设备号cpu表示CPU训练workers:8,# 数据加载线程数optimizer:SGD,# 优化器SGD/Adam/AdamWlr0:0.01,# 初始学习率patience:50,# 早停耐心值save:True,# 保存模型project:runs/train,# 项目保存路径name:exp,# 实验名称single_cls:False,# 单类别检测设为Trueclose_mosaic:10,# 最后N轮关闭马赛克增强}# 开始训练resultsmodel.train(**train_params)# 输出最佳模型路径print(fBest model saved at:{results.best})if__name____main__:main()三种模型加载方式对比# 方式A从YAML构建全新模型从头训练适合网络结构改进modelYOLO(yolo11m.yaml)# 方式B加载预训练权重最常用推荐modelYOLO(yolo11m.pt)# 方式C构建新模型并迁移预训练权重改进网络后使用modelYOLO(yolo11m.yaml).load(yolo11m.pt)方式2命令行 CLI# 基础训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100imgsz640batch16device0# 多GPU训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100device0,1# 从YAML预训练权重训练yolo detect traindatadata.yamlmodelyolo11m.yamlpretrainedyolo11m.ptepochs100五、关键训练参数说明参数说明建议值epochs训练总轮次100~300imgsz输入尺寸640标准batch批次大小8/16/32根据显存device训练设备0单GPU、0,1多GPU、cpu、mpsApple芯片workers数据加载线程8~16Windows建议≤8optimizer优化器SGD默认、Adam、AdamWlr0/lrf初始/最终学习率0.01 / 0.01momentumSGD动量0.937weight_decay权重衰减0.0005single_cls单类别模式True/Falseresume恢复中断训练True需指定last.ptamp自动混合精度True默认开启省显存六、模型验证创建val.pyfromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重modelYOLO(runs/train/exp/weights/best.pt)# 验证metricsmodel.val(datadata.yaml,splitval,# 验证集val 或 testimgsz640,batch16,iou0.6,# NMS IoU阈值device0,save_jsonFalse,# 是否保存COCO格式JSON)# 输出关键指标print(fmAP50-95:{metrics.box.map})# mAP0.5:0.95print(fmAP50:{metrics.box.map50})# mAP0.5print(fmAP75:{metrics.box.map75})# mAP0.75if__name____main__:main()CLI 方式yolo detect valmodelruns/train/exp/weights/best.ptdatadata.yaml七、模型推理/预测创建predict.pyfromultralyticsimportYOLOimportcv2defmain():modelYOLO(runs/train/exp/weights/best.pt)# 单张图片推理resultsmodel.predict(sourcetest_images/,# 图片路径、文件夹、URL或摄像头索引0imgsz640,conf0.25,# 置信度阈值iou0.45,# NMS IoU阈值device0,saveTrue,# 保存结果图showFalse,# 是否弹窗显示)# 遍历结果forresultinresults:boxesresult.boxes# 检测框masksresult.masks# 分割掩码如使用分割模型probsresult.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2box.xyxy[0].tolist()confbox.conf[0].item()clsint(box.cls[0].item())print(fClass:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}])if__name____main__:main()CLI 方式yolo detect predictmodelruns/train/exp/weights/best.ptsourcetest_images/saveTrue## 数据集下载 小郭AI日志
