博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅点击查看作者主页，了解更多项目！
🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅
1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅
2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅
🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅
1、项目介绍
技术栈：
本系统是一个完整的基于深度学习+pytorch+PyQt6+MySQL的垃圾分类识别系统。
包括LeNet、AlexNet、VGG、GoogLeNet、ResNet、MobileNet V2、MobileNet V3、RegNet、ShuffleNet、DenseNet、EfficientNet等网络模型。
可以直接训练、测试、使用。也就是说，它不仅仅是一个垃圾分类识别系统。它可以是任意识别系统！！
2、项目界面
（1）塑料袋–其他垃圾
（2）剩菜—厨余垃圾
（3）纸箱-----可回收垃圾
（4）矿泉水瓶—可回收垃圾
（5）过期药物----有害垃圾
（6）模型训练
（7）模型测试
（8）权重列表
（9）模型列表
（10）注册登录
3、项目说明
这个基于深度学习的垃圾分类识别系统是一个功能完备、扩展性强的图像识别平台，结合了多种前沿技术与实用功能，以下从核心构成、功能特点、技术亮点等方面详细介绍：
一、核心技术栈与架构
系统以深度学习为核心驱动力，整合了多类主流技术工具，形成完整的“数据处理-模型训练-交互应用-数据存储”闭环：
- 深度学习框架：采用PyTorch实现模型的构建、训练与推理，支持动态计算图，便于调试和自定义网络结构。
- 前端交互：通过PyQt6搭建图形用户界面（GUI），提供直观、易用的操作入口，适配各类用户需求。
- 数据存储：使用MySQL数据库管理用户信息、模型权重、训练日志等数据，确保数据的结构化存储与高效访问。
- 模型支持：内置11种经典与前沿的卷积神经网络（CNN）模型，包括LeNet（基础入门模型）、AlexNet（深度学习里程碑）、VGG（简洁规整的多层结构）、GoogLeNet（引入Inception模块）、ResNet（残差连接解决梯度消失）、MobileNet系列（轻量化模型，适合移动端）、RegNet（结构化网络设计）、ShuffleNet（通道洗牌优化计算）、DenseNet（密集连接强化特征复用）、EfficientNet（复合缩放提升效率）等，覆盖不同复杂度与应用场景。
二、核心功能模块
系统围绕“垃圾分类识别”展开，同时具备通用图像识别的扩展性，主要功能包括：
1. 垃圾分类识别功能
- 实时识别：支持上传或拍摄垃圾图片（如塑料袋、剩菜、纸箱等），系统自动调用训练好的模型进行分类，输出垃圾类别（其他垃圾、厨余垃圾、可回收垃圾、有害垃圾等），识别结果直观显示在界面中。
- 多场景适配：覆盖常见生活垃圾类型，从日常用品（矿泉水瓶、纸箱）到特殊物品（过期药物），均能实现精准分类。
2. 模型训练与测试
- 自定义训练：用户可上传自有数据集（不限于垃圾图像），选择任意内置模型进行训练，支持设置超参数（如学习率、迭代次数、批次大小等），训练过程中实时显示损失值、准确率等指标，便于监控训练效果。
- 模型测试：训练完成后，可通过测试集评估模型性能，生成准确率、混淆矩阵等指标报告，帮助用户判断模型的泛化能力。
3. 模型与权重管理
- 模型列表：集中展示所有内置模型的基本信息（如网络结构、参数量、适用场景等），方便用户根据需求选择。
- 权重列表：存储训练过程中生成的模型权重文件，支持权重的加载、保存与删除，用户可随时调用历史权重进行推理或继续训练。
4. 用户管理
- 提供注册、登录功能，通过MySQL数据库管理用户信息，确保系统使用的安全性与个性化（如保存个人训练记录、偏好设置等）。
三、系统亮点与扩展性
- 通用性强：虽以“垃圾分类”为应用场景，但核心是通用图像识别框架，用户可通过更换数据集，将其改造为任意识别系统（如植物识别、车型识别、瑕疵检测等）。
- 技术全面：涵盖从经典到前沿的多种CNN模型，适合学习、研究与实际应用，既可为初学者提供入门案例，也能满足进阶用户的复杂需求。
- 操作便捷：通过PyQt6构建的可视化界面，降低了深度学习的使用门槛，无需代码基础即可完成模型训练与推理。
- 可扩展性高：支持自定义模型接入、数据集格式扩展，用户可根据需求二次开发，增强系统功能。
总之，该系统是一个集“学习、开发、应用”于一体的深度学习平台，兼顾实用性与技术深度，无论是用于垃圾分类的实际场景，还是作为图像识别的学习工具，都具有较高的价值。
4、核心代码
# -*- coding: utf-8 -*-# @12-09 17:08# @# @File : prediction.pyimportloggingimportjsonimporttimeimporttorchimporttorchvision.transformsastransformsfromPILimportImagefrompredict.model_chooseimportModelChoose,TrainingConfigclassPrediction:def__init__(self,config:TrainingConfig,logger=None,model=None):""" 初始化预测类 :param config: 训练配置 :param logger: 日志记录器 :param model: 要测试的模型 """self.config=config self.logger=logger self.model=model self.classes=['其他垃圾/塑料袋','其他垃圾/烟蒂','其他垃圾/碎瓷片','厨余垃圾/剩菜','厨余垃圾/水果','厨余垃圾/蔬菜','厨余垃圾/鸡蛋壳','可回收垃圾/塑料瓶','可回收垃圾/易拉罐','可回收垃圾/纸箱','有害垃圾/电池','有害垃圾/药膏','有害垃圾/过期药品']ifself.modelisNone:raiseValueError("模型未初始化，请提供有效的模型实例。")defpreprocess_image(self):""" 图像预处理，适配模型输入 :return: 预处理后的图像张量 """try:image=Image.open(self.config.image_path).convert('RGB')transform=transforms.Compose([transforms.Resize((224,224)),transforms.ToTensor(),transforms.Normalize(mean=[0.1847,0.1716,0.1502],std=[0.0678,0.0615,0.0552])])returntransform(image).unsqueeze(0)# 增加批次维度exceptExceptionase:self.logger.error(f"图像处理失败:{e}")raiseValueError(f"图像处理失败:{e}")defpredict(self,image_tensor):""" 使用模型对图像进行预测 :param image_tensor: 图像张量 :return: 预测类别及置信度 """try:self.model.eval()withtorch.no_grad():image_tensor=image_tensor.to(self.config.device)output=self.model(image_tensor)_,predicted_idx=torch.max(output,dim=1)confidence=torch.softmax(output,dim=1)[0,predicted_idx].item()returnself.classes[predicted_idx.item()],confidenceexceptExceptionase:self.logger.error(f"预测失败:{e}")raiseValueError(f"预测失败:{e}")defrun(self):""" 执行预测并返回结果 :return: JSON格式结果 """try:start_time=time.time()image_tensor=self.preprocess_image()prediction,confidence=self.predict(image_tensor)total_time=time.time()-start_time result={"status":200,"message":"预测成功","prediction":prediction,"confidence":f"{confidence*100:.2f}%","total_time":f"{total_time:.3f}秒"}self.logger.info(f"预测完成:{result}")returnjson.dumps(result,ensure_ascii=False)exceptExceptionase:error_response={"status":400,"message":f"出错:{str(e)}"}self.logger.error(f"预测失败:{error_response}")returnjson.dumps(error_response,ensure_ascii=False)defmain():""" 主程序入口 """try:config=TrainingConfig(model_name='ResNet50',num_classes=13,image_path='../test.jpg',pretrained_weights='../weights/ResNet/ResNet50_model_89.46%.pth')model_choose=ModelChoose(config)model=model_choose.initialize_model()predictor=Prediction(config,model_choose.logger,model)result=predictor.run()print(result)exceptExceptionase:print(f"主程序运行失败:{e}")if__name__=='__main__':main()5、源码获取方式
🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看【用户名】、【专栏名称】就可以找到我啦🍅
感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻