简介：这份资源是面向计算机、通信、人工智能、自动化等专业学生与教师的Python垃圾分类系统毕业设计完整源码包，附带部署指南，适合作为毕业设计、期末课程设计或课程大作业的参考方案，也便于基础较好的学习者在此基础上二次开发、扩展功能。压缩包共126个文件，约66.06MB，涵盖20个Python源码文件、13个Jupyter Notebook实验记录、12个Vue前端组件、14个JavaScript脚本，以及PNG图片、JSON配置、HTML页面、Markdown说明、PDF与Word参考报告、ONNX模型、SQLite数据库和Dockerfile等，前后端与深度学习模型部署链路较为完整。目前已有104人学习下载。项目代码经过调试测试，答辩评审分达98分，读者可获取可运行的垃圾分类识别系统源码、模型文件、部署配置与参考文档，快速理解从数据到界面展示的整体实现思路，并对照部署指南完成本地环境搭建与运行验证。
1. 从一份 98 分毕设拆起：这套 Python 垃圾分类系统到底能跑出什么
去年帮学弟看毕设，他拿到的题目是「基于深度学习的垃圾分类」，网上搜了一圈，要么是只有几页论文没有代码，要么是代码跑起来一堆报错。后来他换了一套带完整部署指南的 Python 垃圾分类系统源码，从环境配到模型推理，一个下午就跑通了。这套资源就是那种典型的「拿来能跑、拆开能学」的毕设项目——答辩评审分 98，代码经过调试，包含语义化前端样式、Dockerfile 容器化配置、参考报告和课程实践模板文档。
它解决的核心问题很具体：给你一套已经跑通的垃圾分类识别流程，从前端页面上传图片，到后端 Python 调用模型完成分类，再到结果返回展示，整条链路是完整的。适合计算机、通信、人工智能、自动化方向的学生做毕业设计或课程大作业，也适合想快速了解图像分类项目落地流程的从业者。你拿到的不只是几段代码，而是一个能直接演示、能改、能写进论文的系统骨架。
2. 环境搭建与依赖安装：把 Python 垃圾分类系统从压缩包跑到浏览器
2.1 先看清项目结构再动手
拿到源码包后别急着 pip install，先花五分钟把目录结构过一遍。这套项目的文件组织比较典型，前端资源、后端逻辑、模型文件、文档资料是分开存放的。从文件清单能看到几个关键部分：.browserslistrc和semantic.css、semantic.min.css说明前端用了 Semantic UI 框架；Dockerfile意味着项目支持容器化部署；参考报告.docx和温州大学课程实践(模板).docx是论文写作的辅助材料；.editorconfig和.gitignore是开发规范配置。
我一般会先确认三件事：模型文件在不在、依赖清单有没有、入口脚本是哪个。模型文件通常放在models/或weights/目录下，格式可能是.pth、.h5或.onnx。依赖清单看requirements.txt或Pipfile。入口脚本一般是app.py、main.py或run.py。这三样确认了，后面就不会出现「代码跑起来但找不到模型」的翻车现场。
提示：如果压缩包里没有
requirements.txt，可以看Dockerfile里的RUN pip install行，那里通常列了核心依赖。
2.2 用 conda 隔离环境，别污染全局 Python
Python 毕设项目最怕的就是依赖冲突。你系统里可能已经装了某个版本的 PyTorch，但项目需要的是另一个版本。我习惯用 conda 建一个独立环境，版本号根据项目文档来定。假设项目要求 Python 3.8 和 PyTorch 1.10，操作如下：
# 创建独立环境，指定 Python 版本 conda create -n garbage_cls python=3.8 -y # 激活环境 conda activate garbage_cls # 安装 PyTorch（以 CUDA 11.3 为例，无 GPU 则去掉 cu113 相关后缀） pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html # 安装项目其他依赖 pip install -r requirements.txt这里有几个参数值得说清楚。-n garbage_cls是给环境起个名字，方便后面激活。python=3.8是版本约束，很多深度学习项目对 Python 版本敏感，3.8 是目前兼容性最好的选择之一。PyTorch 安装那行，cu113表示 CUDA 11.3 编译版本，如果你机器没有 NVIDIA 显卡，直接pip install torch==1.10.0 torchvision==0.11.1就行，CPU 版本也能跑推理，只是速度慢一些。
requirements.txt里通常包含 Flask 或 Django（Web 框架）、Pillow（图像处理）、numpy、opencv-python 等。如果安装过程中某个包报错，先看它的版本要求，很多时候是版本不匹配导致的。常见做法是单独安装那个包并指定版本，比如pip install opencv-python==4.5.5.64。
2.3 启动服务并验证接口
环境装好后，找到入口脚本启动服务。假设入口是app.py，用 Flask 框架的项目一般这样跑：
# 启动 Flask 服务，指定端口和监听地址 python app.py --port 5000 --host 0.0.0.0--port 5000是服务端口，--host 0.0.0.0表示允许局域网访问，方便你用手机或其他电脑测试。启动成功后终端会输出类似Running on http://0.0.0.0:5000的信息。打开浏览器访问http://localhost:5000，应该能看到上传页面。
如果页面能打开但上传图片后报错，大概率是模型加载路径不对。检查代码里加载模型的路径是相对路径还是绝对路径，相对路径的话要确认工作目录是否正确。我一般会在启动脚本里加一行print(os.getcwd())确认当前目录，这个笨办法能省很多排查时间。
3. 模型推理与前端交互：垃圾分类识别链路的关键参数
3.1 图像预处理：模型吃什么格式的图
模型推理不是直接把原始图片丢进去就完事。这套系统里，前端上传的图片需要经过预处理才能送进模型。常见的预处理步骤包括：调整尺寸到模型输入大小（比如 224x224）、转换为张量、归一化。以下是一段典型的预处理代码：
from PIL import Image import torchvision.transforms as transforms # 定义预处理流水线 preprocess = transforms.Compose([ transforms.Resize(256), # 先将短边缩放到 256 transforms.CenterCrop(224), # 中心裁剪到 224x224 transforms.ToTensor(), # 转为张量，像素值归一化到 [0,1] transforms.Normalize( # 按 ImageNet 均值方差归一化 mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225] ) ]) # 加载并预处理图片 img = Image.open('test.jpg').convert('RGB') input_tensor = preprocess(img) input_batch = input_tensor.unsqueeze(0) # 增加 batch 维度Resize(256)和CenterCrop(224)是经典的 ImageNet 预处理组合，很多预训练模型都按这个规格训练。Normalize里的均值和标准差是 ImageNet 数据集的统计值，如果你用的模型是在 ImageNet 上预训练的，这三个通道的数值必须一致，否则推理结果会偏。unsqueeze(0)是在第 0 维增加一个 batch 维度，因为模型期望输入是[batch, channel, height, width]四维张量。
注意：如果你的模型不是基于 ImageNet 预训练的，归一化参数需要根据训练数据重新计算，直接套用会导致识别准确率下降。
3.2 推理与结果映射：从张量到垃圾类别
预处理完成后，把张量送入模型，拿到输出后再映射回类别名称。垃圾分类通常是 4 分类或 6 分类，比如可回收物、有害垃圾、厨余垃圾、其他垃圾。代码逻辑如下：
import torch # 加载模型（假设模型定义在 model.py 中） from model import GarbageClassifier model = GarbageClassifier(num_classes=4) model.load_state_dict(torch.load('weights/best_model.pth', map_location='cpu')) model.eval() # 切换到推理模式 # 推理 with torch.no_grad(): output = model(input_batch) probabilities = torch.nn.functional.softmax(output[0], dim=0) predicted_class = torch.argmax(probabilities).item() # 类别映射 class_names = ['可回收物', '有害垃圾', '厨余垃圾', '其他垃圾'] result = class_names[predicted_class] print(f'识别结果：{result}，置信度：{probabilities[predicted_class]:.2%}')model.eval()这行很关键，它会把 Dropout 和 BatchNorm 切换到推理模式，忘了加这行会导致每次推理结果都不一样。torch.no_grad()是关闭梯度计算，减少显存占用。map_location='cpu'是当你在没有 GPU 的机器上加载 GPU 训练的模型时用的，不加会报错。softmax把原始输出转成概率分布，argmax取概率最大的类别索引。
置信度低于某个阈值时，我一般会提示用户「图片不够清晰，请重新上传」。这个阈值可以设 0.6 或 0.7，根据实际测试调整。如果模型对某类垃圾总是识别错，先检查训练数据里这类样本是不是太少，而不是急着改模型结构。
3.3 前端上传与结果展示的对接
前端部分用的是 Semantic UI，上传组件和结果展示区域在 HTML 里已经搭好了。后端需要提供一个/predict接口接收图片并返回 JSON 结果。Flask 的写法大致如下：
from flask import Flask, request, jsonify import io app = Flask(__name__) @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return jsonify({'error': '没有上传文件'}), 400 file = request.files['file'] img = Image.open(io.BytesIO(file.read())).convert('RGB') # 调用前面的预处理和推理逻辑 result, confidence = classify_image(img) return jsonify({'class': result, 'confidence': confidence}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)request.files['file']对应前端<input type="file" name="file">的 name 属性，两边必须一致。io.BytesIO(file.read())是把上传的文件流转换成 PIL 能打开的格式。返回 JSON 时用jsonify会自动设置 Content-Type 为application/json，前端拿到后解析展示即可。
如果前端上传后页面没反应，打开浏览器开发者工具看 Network 面板，确认请求是否发出、返回状态码是多少。常见问题是跨域，如果前端和后端不在同一个端口，需要在 Flask 里加 CORS 支持，pip install flask-cors然后CORS(app)即可。
4. 避坑与常见问题：部署这套垃圾分类系统时我踩过的雷
4.1 模型文件缺失或路径错误
现象：启动服务时报FileNotFoundError: weights/best_model.pth，或者推理时提示KeyError。
原因：压缩包里模型文件可能放在不同目录，或者代码里写的路径是作者本机的绝对路径。另外，有些项目用.gitignore把大文件排除了，如果你是从 Git 仓库克隆的，模型文件可能根本没下载下来。
解决：先全局搜索.pth、.h5、.onnx文件确认模型在哪。然后把代码里的路径改成相对路径，或者用os.path.join(os.path.dirname(__file__), 'weights', 'best_model.pth')动态拼接。如果是 Git 克隆缺文件，去项目的 Release 页面或网盘链接单独下载模型。
4.2 PyTorch 版本与 CUDA 不匹配
现象：RuntimeError: CUDA error: no kernel image is available for execution on the device或者AssertionError: Torch not compiled with CUDA enabled。
原因：安装的 PyTorch 版本和本机 CUDA 驱动版本不兼容。比如你装的是 cu113 版本，但驱动只支持到 CUDA 11.0。
解决：先用nvidia-smi查看驱动支持的 CUDA 版本，然后去 PyTorch 官网找对应版本的安装命令。如果不想折腾，直接装 CPU 版本，把代码里的.cuda()和map_location相关逻辑改掉，推理速度慢但能跑通。
4.3 前端样式加载失败
现象：页面能打开但排版全乱，按钮和表格没有样式。
原因：semantic.css和semantic.min.css的引用路径不对，或者 Flask 的静态文件目录配置有问题。
解决：检查 HTML 里<link>标签的 href 路径，确认文件实际存在。Flask 默认静态文件目录是static/，如果 CSS 放在其他目录，需要显式指定static_folder参数。另外，.browserslistrc是给前端构建工具用的，如果你直接打开 HTML 文件而不是通过 Flask 渲染，这个文件不影响样式加载。
4.4 上传大图导致请求超时
现象：上传手机拍的高清照片后，页面一直转圈，最后提示超时。
原因：Flask 默认没有限制上传文件大小，但推理时大图预处理耗时长，加上网络传输时间，容易超过默认超时。
解决：在 Flask 配置里加app.config['MAX_CONTENT_LENGTH'] = 5 * 1024 * 1024限制 5MB，前端也加个图片压缩逻辑。另外可以在预处理前先把图片缩放到一个合理尺寸，比如最长边 1024，再走后续流程。
4.5 Docker 构建时依赖下载慢
现象：docker build卡在pip install步骤，半天不动。
原因：默认 pip 源在国外，下载速度慢。
解决：在 Dockerfile 里加一行换国内源，RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple，放在pip install之前。如果还是慢，可以考虑先把依赖装到本地再复制进镜像，或者用多阶段构建。
5. 从跑通到改出花：这套毕设源码的进阶玩法与验证习惯
跑通只是第一步，这套源码真正的价值在于它的可扩展性。我带过的几个学弟，有人把模型换成了 MobileNetV3 做轻量化，有人加了批量上传和结果导出 CSV 的功能，还有人把前端改成了微信小程序调用同一套后端接口。这些改动都不需要动核心推理逻辑，只需要在接口层和展示层做文章。
如果你想验证模型的实际表现，别只看它识别你随手拍的一张图。我一般会做三件事：第一，从网上找每个类别的图片各 20 张，跑一遍看准确率；第二，故意上传模糊、旋转、遮挡的图片，看模型的鲁棒性；第三，用测试集跑一次混淆矩阵，看看哪两个类别最容易混。这套项目里如果有test.py或evaluate.py，直接跑就行；没有的话自己写一个循环，把ImageFolder加载的测试集过一遍模型，统计正确率。
from torchvision.datasets import ImageFolder from torch.utils.data import DataLoader test_dataset = ImageFolder('data/test', transform=preprocess) test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False) correct = 0 total = 0 with torch.no_grad(): for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'测试集准确率：{100 * correct / total:.2f}%')这段代码里ImageFolder要求测试集按类别分文件夹存放，比如data/test/可回收物/xxx.jpg。batch_size=32是一次处理 32 张图，显存不够就调小。shuffle=False是因为测试时不需要打乱顺序。跑完如果准确率低于 80%，先检查测试集图片和训练集分布是否一致，而不是急着调模型。
还有一个容易被忽略的点：这套项目附带了参考报告.docx和温州大学课程实践(模板).docx，很多人只拿代码不管文档。其实答辩时老师看的是你的论文结构和实验分析，模板能帮你省很多排版时间。我一般会先把模板的章节框架过一遍，然后把代码里的关键参数、实验结果、踩坑记录填进去，这样写出来的报告既有技术细节又有真实过程。
从那以后我每次拿到一套毕设源码，都强制自己先跑通再改，改之前先备份原始版本，改完用测试集验证一遍。这个习惯帮我避开了很多「改完还不如不改」的尴尬。希望这套垃圾分类系统的源码和部署思路，能帮你顺利把毕设跑起来、改下去。
本文还有配套的精品资源，点击获取
