垃圾检测在计算机视觉里是个看着简单、做起来相当磨人的细分方向。说它简单是因为目标就是“找出画面里的垃圾”说它磨人是因为垃圾这东西没有固定形状、没有统一颜色、尺度跨度极大——一个矿泉水瓶和一个建筑垃圾堆在特征层面完全是两回事。我接触过不少做智慧城市项目的团队大家普遍卡在同一个地方公开数据集要么类别太单薄要么场景太干净跟实际街面情况对不上。最近我在整理一个新的垃圾检测数据集规模是5777张图片覆盖了智慧城市环卫管理、自动化清洁机器人、环境监测与评估、违规倾倒监控、垃圾分类辅助、无人机环境巡检六个典型方向。这篇文章就围绕这个数据集展开说说它的构成逻辑、各个应用场景下对模型的不同要求、我用它训练检测模型的实际参数和踩坑记录。如果你正在做环卫AI或者准备入这个方向这篇内容可以直接拿来当参考。1. 数据集全貌与标注体系解读1.1 5777张图片的构成逻辑先说数量级。5777张图片在数据集里不算大跟COCO那种十几万张的量级没法比但垃圾检测这个细分领域有它的特殊性目标种类杂、场景差异大真正决定模型上限的不是图片总量而是“有效场景覆盖率”。我拿到这个数据集后先做了一轮摸底统计。从图片来源看大致分三块城市街面实拍占比最高大概六成左右园区和居民小区场景占两成多剩下的来自无人机视角和室内场景。这种分布其实比较合理——街面是垃圾检测的主战场园区和小区是环卫保洁的常态化场景无人机视角则对应巡检需求。但如果你的项目只做某一个垂直场景比如只做河道垃圾识别这个数据集就需要额外补充河道样本后面我会讲怎么补。图片分辨率也是决定训练效果的关键因素。这批数据里存在多种分辨率混合的情况从720P到4K都有而且不是每张都标注了原始尺寸信息。我在处理时统一做了分辨率归一化处理把长边缩放到1280像素小目标多的图单独保留原分辨率切片。这里特别提醒一下如果不做分辨率统一直接开训模型很容易被大图里的高频纹理带偏训练过程也会因为输入尺寸不一致而出现各种怪问题。1.2 标注格式与类别体系选择标注格式上这个数据集同时提供了COCO格式和YOLO格式的标注文件这算是一个很友好的设计。COCO格式适合做训练前的探索性分析YOLO格式则可以直接丢进YOLOv5/v8的工程里跑。我自己习惯的做法是先用COCO格式做数据可视化检查确认标注框有没有偏移、漏标、错标再用脚本转成YOLO格式进入训练流程。类别体系是最值得花心思看的部分。这个数据集一共定义了12个常见垃圾类别覆盖了塑料瓶、易拉罐、纸团、塑料袋、泡沫箱、建筑废料、厨余垃圾袋、烟蒂堆积物、枯枝落叶堆、废弃纺织物等。跟ImageNet那种细粒度分类不一样垃圾检测的类别定义必须兼顾“机器容易学”和“业务上有意义”。比如厨余垃圾袋和普通垃圾袋在视觉上几乎一样强行分成两类只会增加模型负担数据集的标注方把这两类合并为“垃圾袋含内容物”我认为是务实的选择。注意拿到标注数据后不要直接开训先画一轮类别分布柱状图和标注框尺寸分布图。这两个图能快速暴露类别不均衡和小目标占比过高的问题是后续调参的重要依据。2. 六大应用场景逐个拆解2.1 智慧城市环卫管理从“人力巡查”到“数据驱动”智慧城市环卫管理是目前垃圾检测落地最成熟的方向核心逻辑是把环卫作业从“定时定点人工巡查”变成“基于实时感知的动态调度”。在这个场景里垃圾检测模型并不是孤立工作的。一个典型流程是路侧摄像头或者车载摄像头实时采集画面检测模型输出的结果经过坐标映射到地理信息系统上形成一张“垃圾分布热力图”。当某个区域的垃圾密度超过阈值系统就自动生成保洁工单推送给人机协同的作业队伍。这个流程对检测模型的要求很明确——召回率优先。漏检一个垃圾点意味着这个点位不会被纳入调度计划脏乱问题就会持续存在。我在实际操作中发现市政场景中真正难检的往往不是大件垃圾而是零散的烟蒂和纸屑。这类目标在画面里可能只有十几个像素需要模型对小目标有足够的敏感度。针对这个问题我在训练时把输入分辨率提高到1280甚至1536并专门从小目标分布密集的图片里做了切片增强。效果很直接小目标APAverage Precision的简称即平均精度提升了大约7个百分点。此外环卫管理场景还需要考虑一个很实际的问题——开放性。街面上会出现训练数据里完全没有的垃圾形态比如废弃的共享单车、施工遗留物。所以模型上线后不能“锁死”要预留持续学习通道。我这边用的方案是新类别数据积累到500张以上后做一次增量训练每次增量训练控制在30分钟以内确保业务侧可以常态化更新模型。2.2 自动化清洁机器人的视觉导航与目标定位自动化清洁机器人对垃圾检测的要求和市政监控完全不同。监控摄像头是固定的检测区域相对稳定机器人是移动的摄像头跟着机体晃动光照条件随时变化目标和镜头之间的距离也在不断拉近拉远。用这个数据集训练机器人视觉模型时我注意到的第一个问题是视角差异。数据集中大量图片是俯视角或者平视角拍摄而机器人摄像头的高度通常只有30到50厘米视角更接近“前倾俯视”。如果直接拿原版数据集训练模型在机器人视角下很容易掉点。解决方法是做一个视角迁移增强把训练图片随机做透视变换模拟机器人行进时的视角和高度。具体来说我用了随机透视扰动加上25度以内的旋转变化。实测下来模型在机器人实景测试中的漏检率下降了10%左右。机器人场景对推理延迟的要求也非常苛刻。我自己跑的测试中在Jetson Orin Nano这类边缘设备上模型单帧推理耗时必须控制在30毫秒以内否则机器人的避障策略就来不及响应。那么训练和部署时的做法就是训练时用大模型保证精度上限部署时做通道剪枝加量化蒸馏把模型从几十MB压到十几MB。这个数据集中有大量中小尺寸垃圾目标配合量化感知训练精度损失可以控制在2%以内。2.3 环境监测与评估量化“脏乱差”环境监测与评估场景本质上是把“垃圾检测”升级成“环境质量打分”。这个场景有一个很独特的难点——垃圾的分布密度和堆积状态比“有没有垃圾”更重要。单单检测出画面里有三个饮料瓶和检测出画面角落有一大片垃圾堆积对评估结论的影响完全不一样。因此在这个场景下不能只看检测框还要做第二步垃圾覆盖面积估算和堆积状态判断。我利用这个数据集做环境评估模型时采用的方案是检测模型负责输出目标框再用一个分割头对目标框区域做像素级分类把“垃圾区域”和“非垃圾区域”分开。基于像素面积占比结合摄像头标定参数估算出单位面积内的垃圾覆盖率再映射到“清洁度评分”。这个流程跑通之后环境卫生评估从“主观打分”变成了“数据说话”。这里要提醒一个容易踩坑的地方环境评估模型对系统性偏差非常敏感。假如训练数据里阴天图片偏多模型在有阳光的晴天场景下就会表现出“漏检率升高”进而导致环境评分虚高。所以训练时一定要做充分的光照扰动和色彩扰动让模型尽量忽略光照因素把注意力放在垃圾本身的纹理和形状上。2.4 违规倾倒监控系统时间维度的行为判断违规倾倒监控是垃圾检测中最具挑战性的场景。难点倒不在垃圾识别本身而在于“违规”是一个行为概念单帧静态图片很难定义——一堆建筑废料出现在墙根它可能是刚倒的也可能是堆了三天没人清。我基于这个数据集做违规倾倒监控时采取的思路是检测模型负责拿到“垃圾出现”的准确时空坐标行为判断交给后端的时序逻辑模块。具体来说先在视频流里以每秒一帧的频率跑检测当同一坐标区域连续N帧出现垃圾且此前该区域为空时系统判定为“疑似新倾倒事件”再结合现场摄像头抓拍留存和巡查人员二次确认。这个场景对模型输出的量纲也有特殊要求。监控系统需要的是“空间上稳定”的检测结果——即同一堆垃圾在连续帧中被反复识别其坐标框不能有大幅抖动。因此训练时我加入了轻微的标注框抖动增强让标注框在±5像素范围内随机微小偏移模型输出的稳定性明显提升。代价是检测精度略微下降但对于后续的时序判断来说稳定性优先级远高于单帧精度。2.5 垃圾分类辅助系统从检测到分类的延伸垃圾分类辅助系统从技术栈上看已经不完全属于目标检测范畴了它本质上是一个“先检测、后分类”的两阶段任务第一步用检测框把画面中的垃圾目标定位出来第二步对目标框内的内容做细粒度分类判断它属于可回收物、有害垃圾、厨余垃圾还是其他垃圾。这个数据集提供的12类标注在垃圾分类场景里需要做一次“语义映射”。比如塑料瓶和易拉罐映射到可回收物纸团映射到可回收物厨余垃圾袋映射到厨余垃圾而烟蒂堆积物则明确属于其他垃圾。映射过程本身不复杂但有一个关键细节监督分类的是“垃圾类别”而不是“垃圾材质”。我见过不少团队在标注阶段就纠结“这个塑料袋是干垃圾还是湿垃圾”这个纠结在视觉识别层面没有意义——模型只能学“塑料袋的视觉特征”垃圾分类标准是后端的业务规则两者必须解耦。实操中这个场景比较推荐的方案是直接复用训练好的检测模型作为前置检测器把每个目标框裁剪出来再送进一个轻量级分类模型比如MobileNet改进版做四分类。因为裁剪下来的目标已经经过对齐分类模型的精度可以达到95%以上。2.6 无人机环境巡检高空视角的特殊挑战无人机环境巡检这是六个场景里对数据集“破坏性最大”的使用方式。原因在于无人机视角下的垃圾和地面视角的垃圾视觉特征差异太大了。这个数据集虽然有部分俯视图片但真正的无人机高空飞行视角飞行高度30米以上样本占比较低。我在做河道垃圾巡检项目时从数据集里筛选出的可用图片不到总量的15%大约800张左右。这个数量根本不够直接训练一个可用的无人机检测模型。我的做法是分三步走第一步用现有模型在无人机采集的未标注视频上跑预测生成一批带伪标签的样本第二步用这批伪标签样本做主动学习筛选挑出置信度低和置信度高的样本各一部分交给标注团队修正第三步把修正后的样本和原数据集混合训练。经过两轮迭代无人机视角的检测精度从最初的45%提升到了78%左右。这里多说一句无人机场景还有一个常见问题是“目标尺度分布极不均衡”——画面里一两百米的河道范围垃圾目标可能只分布在几个很小区域。处理方式是在训练阶段把大图切成多个小图分别检测或者使用自适应缩放策略——检测器优先处理图像中疑似有垃圾的区域。这样才能真正把数据集的价值在无人机场景中发挥出来。3. 基于该数据集的模型训练实操3.1 算法选型检测框架怎么定垃圾检测任务不是打榜算法选型必须综合考虑精度、速度、部署难度三个因素。我基于这个数据集做了几组对比实验。第一组是YOLOv8m参数量适中在GPU上训练速度快NVIDIA Jetson系列设备上能跑到实时。第二组是RT-DETRTransformer架构在大目标上表现较好但小目标召回率偏低在边缘设备上的推理延迟也比CNN系模型高。第三组是YOLO-nano系列模型体积小适合移动端但精度在密集小目标场景下下降明显。综合来看我的建议是如果你做的项目是市政监控类算力相对充足主选YOLOv8m或YOLOv8l输入分辨率调到1280针对小目标优化如果是机器人端侧场景考虑YOLOv8s配合TensorRT加速输入分辨率根据设备性能在960到1280之间折中。建议做算法选型时不要迷信评测榜单。公开榜单上的精度是在特定数据集上刷出来的到了垃圾检测这个垂直领域实际表现往往和小目标占比、场景分布高度相关。直接拿你的数据跑一遍用验证集指标说话。3.2 训练参数与数据增强配置以下是我在这个数据集上训练YOLOv8m的一组“比较稳”的参数组合你可以作为起点再根据自己场景微调。# 训练参数配置 model: yolov8m.pt epochs: 300 batch: 16 imgsz: 1280 optimizer: AdamW lr0: 0.001 weight_decay: 0.0005 momentum: 0.937 warmup_epochs: 5.0 warmup_momentum: 0.8 hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 10.0 translate: 0.1 scale: 0.5 shear: 2.0 perspective: 0.0005 flipud: 0.5 fliplr: 0.5 mosaic: 1.0 mixup: 0.2这套参数里几个关键点展开说。第一输入分辨率设成1280。垃圾检测的小目标占比高640分辨率下很多目标只有个位数像素模型根本学不到有效特征。提升到1280后小目标的召回率提升会非常明显。代价是显存占用翻倍训练时间拉长——如果显卡只有12GB显存batch size需要降到8配合梯度累积。第二mosaic增强建议全开。垃圾检测中有大量“堆状”目标mosaic增强把多张图拼在一起可以有效模拟垃圾局部堆叠的状态增强模型对拥挤场景的适应能力。第三翻转增强里的flipud上下翻转不建议设太高。垃圾检测里“上方悬挂的垃圾”和“地面上堆放的垃圾”是两种完全不同的视觉上下文过度上下翻转会让模型混淆重力线索。我设置为0.5后发现模型在“悬挂物”和“堆放物”之间出现识别混淆的概率上升后来降到0.25才恢复正常。最后是epochs。如果你的数据集是5777张全部使用300轮配合早停机制是合适的。但要注意垃圾检测数据集的域差异通常比较大建议看验证集损失和各类别AP曲线来判断收敛情况。不要一味堆epochs过拟合并不会带来精度提升。3.3 评估指标与验收标准垃圾检测项目的验收标准跟通用目标检测不太一样。通用目标检测看mAP各类别平均精度的均值就够了但垃圾检测必须细化到“场景类别”来评估。我建议打印一份“类别级别AP报告”关注四个指标mAP50、mAP50-95、小目标AP面积小于32x32像素的目标、以及“连续帧稳定性”。前两个是常规指标小目标AP是专门评估数据集中占比超过四成的中小目标连续帧稳定性则通过一段视频测试集来检验——同一目标在相邻帧中检测框的交并比波动情况。在实际项目验收中我通常把mAP50的底线设在0.82以上小目标AP不低于0.6连续帧稳定性IoU波动小于15%。低于这个水平系统上线后大概率会被测评方或用户投诉“漏检”“乱跳框”。如果你用这个数据集做训练建议你的目标是超过这个底线而不是仅仅跑通一个demo。4. 训练过程中的典型踩坑记录4.1 标注漏检率是最大的敌人拿到新数据集时很多人第一件事就是直接开训然后发现模型性能怎么调都不对。根据我的经验最大的概率是标注本身有问题。我在这批数据的质量抽检中发现低质量图片中普遍存在漏标注现象——远处的垃圾瓶、草丛里的纸团、阴影下的塑料袋很多都没被框出来。如果你的训练集里漏标达到5%以上模型的“漏检”会被强化为一种默认行为——它学到了“那些模糊的东西不需要检测”这比误检更致命。处理方法用训练好的模型在验证集上跑一遍把检测框和标注框叠加对比重点看“模型检出了但标注没有”的区域人工筛一遍把确实有垃圾而标注漏掉的部分补标。这个过程第一轮可能会花掉两三天但绝对值得。补标后再训练mAP通常能提升3到6个百分点。4.2 类别不均衡导致偏科问题垃圾场景的类别分布天然不均衡。烟蒂堆积物和纸团这类小件垃圾出现频率极高建筑废料和废弃纺织物则出现频率较低。如果不做干预模型会牺牲低频类别的精度来换取整体loss下降。针对这个问题我用了两招。第一招是“类别重采样”——确保每个批次里高频类别样本不超过总数的40%。第二招是“焦点损失”调整——给低频类别加大loss权重让模型在每次更新时都关注到低频类别的学习。实验下来建筑废料类别的AP从0.53提升到了0.71而高频类别塑料瓶的AP几乎不受影响。经验垃圾检测中的类别不均衡最忌讳的就是“把所有类别看成一视同仁”。在实际业务中低频但高危害的垃圾比如建筑废料、有害垃圾往往比高频但低危害的垃圾比如纸团更需要精准识别这个优先级要写进训练策略里。4.3 场景偏置单一场景训练出来的模型在现实里翻车我在测试这套模型时发现一个很有意思的现象模型在训练集来源场景上表现很好但换一个城市、换一种街道风格、换一个季节表现就立刻下滑。原因在于数据集中暗含了“背景偏置”——模型可能学到的是“绿化带旁边的东西更像垃圾”或者“这个城市的垃圾桶颜色与其他地方不同”。这种隐性偏置在高精度模型里非常常见而且很难从loss曲线上发现。验证方法是拿一批“非训练分布”的新场景图片做测试比如山区徒步道、河滩、夜市摊位等场景观察模型是否出现系统性掉点。如果是就需要做场景增强或者收集目标场景的数据做微调。我在自己的项目里用大约200张目标场景图片做了最后的微调模型在新场景下的表现立刻恢复了正常水平。5. 从数据集到落地部署的关键经验5.1 数据闭环花小钱解决大问题的增量策略模型上线后数据不会停止增长。我强烈建议你建立起数据闭环机制每两周从线上搜集一批模型表现不佳的图片低置信度、漏检、误检人工筛选校正后增量训练一个轻量级版本。增量训练有两点值得强调一是要保留足够的旧样本否则会发生灾难性遗忘模型学新场景的同时忘记旧场景二是增量训练的epochs要控制在20轮以内学习率下降为原来的十分之一避免在新样本上过拟合。这个机制看起来简单但很管用。我以这个数据集为基础训练的系统上线运行三个月后通过数据闭环迭代了四版模型整体mAP从0.78提升到0.89而且服务从未中断。5.2 轻量化部署与端侧推理优化垃圾检测的许多客户场景都是边缘端设备算力和功耗都有严格限制。轻量化部署我推荐优先考虑TensorRT或ONNX Runtime。以YOLOv8m为例FP32模型转TensorRT FP16后推理速度可以提升2到3倍再叠加INT8量化速度又能快一倍但精度损失在2到4个百分点之间。如果精度损失超过这个范围说明某个层对量化过于敏感需要做敏感层分析并跳过量化。另外如果你的部署平台是RK3588这类NPU芯片建议关注数据集标注格式与芯片SDK的兼容性。不同厂商对“归一化方式”“通道顺序”的要求差异较大踩过一次坑之后再看SDK文档你会深刻理解什么叫做“训练一堆、部署一套”的割裂感。5.3 合规与隐私注意事项最后聊一个经常被忽略但很重要的点合规。环卫场景采集到的视频和图片可能包含行人、车牌、人脸等个人信息。用这类数据训练和部署时务必要做隐私合规处理——对人脸和车牌区域进行模糊处理在采集和标注环节明确授权链条对数据集的存储和访问做好权限控制。各家云平台的隐私保护机制差异也很大你在选择算力平台时就要想清楚数据是否允许上传到外部环境。很多时候私有化部署反而是更稳妥的选项。写在最后的实操心得这个5777张图片的垃圾检测数据集在规模上算不上大但它覆盖的场景广、类别定义贴近实际业务这比单纯的“大”更有价值。我用它跑下来的最大感受是垃圾检测真正的门槛从来不在模型结构而在数据质量、场景理解和持续迭代机制。如果看完这篇文章你只记住一个操作我希望是“训练前先做数据质量审计”——花一天时间把标注、类别分布、场景分布研究透后面能省下整整一周的返工时间。如果你正准备启动环卫AI项目建议先从手头的场景出发评估好小目标比例把输入分辨率、数据增强、类别调权这三件事做好模型的底子基本就稳了。至于网上那些“用一个数据集训练出万能模型”的说法听个热闹就好——垃圾检测这个领域真正值钱的是对数据的理解和对场景的敬畏。
