智能垃圾分类系统实战：从数据集到部署的完整链路

简介：这是一份面向计算机、人工智能相关专业学生及课程实践者的智能垃圾分类系统项目资料，可作为毕业设计或课程作业的完整参考。项目围绕计算机视觉与机器学习展开，涵盖图像预处理、特征提取、CNN分类模型训练及大数据分析等环节，帮助读者理解AI技术在环保场景中的落地思路。压缩包共20个文件，以Python源码、数据集压缩包、UI界面文件和说明文档为主，另含少量C++与图片素材，整体约35.12MB，目录结构清晰，便于按模块查阅。已有121人学习下载。资源包含系统设计文档、可运行代码、分类数据集与测试报告，读者可据此复现垃圾分类识别流程，掌握模型训练、超参数调优与界面交互的实现细节，巩固计算机视觉与数据分析的实践能力。

1. 智能垃圾分类系统：从一份课程作业到能跑通的原型，中间隔着什么

智能垃圾分类系统这个题目，几乎每年毕业季都会在毕设选题里出现一次。很多人第一反应是「不就是个图像分类吗，拿 ResNet 跑一遍完事」，真动手才发现事情没那么简单：数据集从哪来、类别怎么定、模型在手机端跑不动、摄像头拍出来的图和训练集分布完全对不上。我带过几届学生的课程设计，也帮朋友改过几版这类系统，最常见的翻车点从来不是模型精度不够，而是整条链路没打通——训练时准确率 95%，一接摄像头就变成瞎猜。

这份「毕设&课程作业_一个智能垃圾分类系统.zip」从命名看，是一个完整的工程打包，通常包含数据集、训练脚本、推理代码和一份说明文档。它要解决的问题很具体：让一个没有服务器、没有标注团队的学生，用一台普通笔记本，做出一个能识别常见垃圾类别、能演示、能写进论文的系统。适合的人群是本科高年级做毕设的学生、需要交课程大作业的初学者，以及想快速搭一个分类 demo 的开发者。下面我按实际落地的顺序，把这条链路拆开讲清楚。

2. 先定类别再谈模型：垃圾分类的标签体系怎么设计

2.1 四分类还是细分类，直接决定后面所有工作量

国内大部分城市的垃圾分类标准是四分类：可回收物、有害垃圾、厨余垃圾（湿垃圾）、其他垃圾（干垃圾）。这是最稳妥的起点，因为公开数据集多、标注成本低、模型容易收敛。但很多学校的要求会写「识别具体物品」，比如塑料瓶、纸箱、电池、果皮，这就变成了细分类问题，类别数从 4 涨到 20 甚至 40，数据量和训练难度是数量级的差别。

我的建议是：如果只是课程作业，先做四分类，把整条链路跑通，再在论文里讨论细分类的扩展方案。如果毕设明确要求细分类，那就把类别控制在 10 到 15 个之间，选那些外观差异大、容易采集的类别，比如塑料瓶、易拉罐、纸盒、玻璃瓶、电池、果皮、烟头、一次性餐具。类别太多、外观太像的（比如各种塑料袋），新手很难做出能看的指标。

标签体系还有一个容易被忽略的点：类别互斥性。现实里一个物品可能同时属于多个类别，比如一个带电池的玩具。工程上的做法是定义主类别，在标注规范里写清楚判定优先级，否则标注员之间的一致性会很低，模型学出来的边界也是糊的。

2.2 数据集从哪来：三条可落地的采集路径

公开数据集方面，常见的有 TrashNet（约 2500 张，6 类）、TACO（约 1500 张，60 类，标注质量参差）、以及一些国内高校整理的四分类数据集。TrashNet 的问题是背景太干净，全是白底摆拍，直接拿来训练，模型学到的是背景而不是物体，一换真实场景就崩。这是最典型的翻车场景。

所以我的做法是：公开数据集只用来做预训练或者补充，主力数据自己采。采集路径有三条：

第一条，手机拍摄。找一块纯色背景板（白纸、灰布都行），把物品放上去，从不同角度拍，每个类别 200 到 300 张。关键是变换光照和角度，别一个姿势拍到底。

第二条，网络爬取。用关键词搜图，但一定要人工过一遍，去掉水印重、分辨率低、类别错误的图。爬取的数据分布和真实场景更接近，但噪声大。

第三条，视频抽帧。录一段往垃圾桶扔垃圾的视频，按每秒 2 到 5 帧抽，这样得到的图天然带真实背景和运动模糊，最接近部署场景。

三条路径混用，最终每个类别凑到 300 到 500 张，四分类总共 1500 到 2000 张，对课程作业足够了。数据划分按 7:2:1 分训练、验证、测试，注意同一个物品的不同角度照片要分到同一集合，否则测试集指标会虚高。

2.3 标注工具与格式：LabelImg 到 YOLO 格式的转换

如果只做分类，标注就是按文件夹分好类别，目录结构如下：

dataset/ ├── train/ │ ├── recyclable/ │ ├── hazardous/ │ ├── kitchen/ │ └── other/ ├── val/ │ └── ...（同上） └── test/ └── ...（同上）

如果要做检测（框出物体再分类），就需要标注框。常用工具是 LabelImg，导出 Pascal VOC 格式的 XML，再转成 YOLO 的 txt 格式。转换脚本很多人写过，核心逻辑就是读 XML 里的 bndbox，除以图像宽高做归一化：

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, img_w, img_h, class_map, out_path): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.iter('object'): cls = obj.find('name').text if cls not in class_map: continue cls_id = class_map[cls] bbox = obj.find('bndbox') x1 = float(bbox.find('xmin').text) y1 = float(bbox.find('ymin').text) x2 = float(bbox.find('xmax').text) y2 = float(bbox.find('ymax').text) # YOLO 格式要求中心点坐标和宽高，全部归一化到 0-1 cx = (x1 + x2) / 2.0 / img_w cy = (y1 + y2) / 2.0 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(out_path, 'w') as f: f.write('\n'.join(lines))

这段代码里，class_map是类别名到数字 ID 的映射，必须和训练时的类别顺序一致，否则模型学出来的类别是错位的。img_w和img_h要从对应图像读取，不能写死。归一化后的坐标保留 6 位小数足够，YOLO 官方推荐格式就是这样。转换完一定要抽查几张，用可视化脚本把框画回图上，确认没偏移。

3. 模型选型与训练：在笔记本上跑出能用的精度

3.1 MobileNetV3 还是 ResNet18，参数量和精度的取舍

课程作业的算力通常是一台笔记本，可能带一块入门级显卡（比如 GTX 1650），也可能只有 CPU。这种情况下，模型选型的第一约束是参数量和推理速度，不是精度上限。

ResNet18 参数量约 11M，输入 224x224，在 GTX 1650 上训练 2000 张图、30 个 epoch，大概十几分钟。MobileNetV3-Small 参数量约 2.5M，速度快一倍以上，精度在四分类任务上通常只低 1 到 2 个百分点。如果最终要部署到手机或者树莓派，MobileNetV3 是更合理的选择。如果只在电脑上演示，ResNet18 更省心，因为预训练权重好找、社区示例多。

我的习惯是先用 ResNet18 跑一版基线，确认数据和流程没问题，再换 MobileNetV3 做轻量化对比，论文里正好有一组消融实验可写。迁移学习是必须的，ImageNet 预训练权重能让你在 2000 张图上就收敛，从零训练基本没戏。

3.2 训练脚本的关键参数：学习率、batch size 和冻结策略

下面是一个基于 PyTorch 的最小训练脚本骨架，覆盖了最关键的几个参数：

import torch import torch.nn as nn from torchvision import models, datasets, transforms from torch.utils.data import DataLoader # 数据增强：训练集用随机裁剪和翻转，验证集只做 resize 和归一化 train_tf = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(0.2, 0.2, 0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) val_tf = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) train_ds = datasets.ImageFolder('dataset/train', transform=train_tf) val_ds = datasets.ImageFolder('dataset/val', transform=val_tf) train_loader = DataLoader(train_ds, batch_size=32, shuffle=True, num_workers=4) val_loader = DataLoader(val_ds, batch_size=32, shuffle=False, num_workers=4) model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) # 冻结主干前几层，只训练后面的层，小数据集上更稳 for name, param in model.named_parameters(): if 'layer1' in name or 'layer2' in name: param.requires_grad = False model.fc = nn.Linear(model.fc.in_features, 4) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = model.to(device) criterion = nn.CrossEntropyLoss() # 只优化需要梯度的参数，学习率 1e-3，配合 StepLR 衰减 optimizer = torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=1e-3) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1) for epoch in range(30): model.train() for imgs, labels in train_loader: imgs, labels = imgs.to(device), labels.to(device) optimizer.zero_grad() loss = criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step() # 每个 epoch 后在验证集上评估，保存最优权重 model.eval() correct = total = 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels = imgs.to(device), labels.to(device) pred = model(imgs).argmax(1) correct += (pred == labels).sum().item() total += labels.size(0) print(f"epoch {epoch}, val acc {correct/total:.4f}")

几个参数说明：batch_size=32是入门显卡的稳妥值，显存不够就降到 16，但太小会让 BatchNorm 统计不稳。学习率1e-3配合 Adam 是迁移学习的常用起点，如果 loss 震荡就降到1e-4。冻结layer1和layer2是因为这两层学的是通用纹理特征，小数据集上微调反而容易过拟合。StepLR每 10 个 epoch 衰减一次，让后期收敛更细。

数据增强里的RandomResizedCrop的scale=(0.7, 1.0)是防止裁得太狠把物体裁没，ColorJitter模拟不同光照。归一化用的均值方差是 ImageNet 的标准值，必须和预训练权重匹配，写错会让精度掉一大截。

3.3 训练过程怎么判断有没有问题

看三条曲线：训练 loss、验证 loss、验证准确率。正常情况是训练 loss 稳定下降，验证 loss 先降后平，验证准确率跟着涨。如果训练 loss 降但验证 loss 涨，是过拟合，加数据增强或者加 dropout。如果两个 loss 都不降，是学习率太大或者数据标签有问题。如果验证准确率卡在 25% 左右（四分类的随机水平），大概率是标签和文件夹没对上，或者归一化参数写错了。

还有一个玄学现象：验证准确率波动很大，一会儿 80% 一会儿 60%。这通常是验证集太小，几百张图里错几张就掉几个点。解决办法是把验证集扩到 300 张以上，或者用 k 折交叉验证取平均。

4. 从模型到能演示的系统：推理、界面和部署

4.1 单张图片推理脚本与置信度阈值

训练完保存的权重，要能加载回来做推理。下面是一个最小推理脚本：

import torch from torchvision import models, transforms from PIL import Image CLASSES = ['recyclable', 'hazardous', 'kitchen', 'other'] def load_model(weight_path): model = models.resnet18(weights=None) model.fc = torch.nn.Linear(model.fc.in_features, len(CLASSES)) model.load_state_dict(torch.load(weight_path, map_location='cpu')) model.eval() return model def predict(model, img_path): tf = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) img = Image.open(img_path).convert('RGB') tensor = tf(img).unsqueeze(0) with torch.no_grad(): logits = model(tensor) probs = torch.softmax(logits, dim=1)[0] conf, idx = probs.max(0) # 置信度低于 0.6 时给出「不确定」提示，避免强行分类 if conf.item() < 0.6: return 'uncertain', conf.item() return CLASSES[idx.item()], conf.item()

置信度阈值是工程上很重要的一环。模型对每一张图都会输出一个类别，哪怕这张图是一张白纸。设一个阈值（我一般用 0.6），低于它就返回「不确定」，让用户重新拍。这比强行给一个错误答案体验好得多，也是答辩时能加分的细节。

4.2 用 Gradio 搭一个能演示的界面

答辩现场需要的是一个能点、能传图、能出结果的界面。Gradio 是最省事的方案，十几行代码就能跑起来：

import gradio as gr model = load_model('best.pth') def classify(img): img = Image.fromarray(img).convert('RGB') tf = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) tensor = tf(img).unsqueeze(0) with torch.no_grad(): probs = torch.softmax(model(tensor), dim=1)[0] return {CLASSES[i]: float(probs[i]) for i in range(len(CLASSES))} gr.Interface(fn=classify, inputs=gr.Image(), outputs=gr.Label(num_top_classes=4)).launch()

gr.Image()接收上传的图片或摄像头拍照，gr.Label输出每个类别的概率条。num_top_classes=4让四个类别都显示出来，答辩时能直观看到模型的判断依据。这个界面在本地跑，浏览器打开就能用，不需要部署到服务器。

4.3 部署到树莓派或手机端的现实约束

如果毕设要求「嵌入式部署」，树莓派 4B 是常见选择。把 PyTorch 模型转成 ONNX 或者 TFLite，推理速度能提升不少。但要注意，树莓派上跑 ResNet18 大概每张图 200 到 400 毫秒，MobileNetV3 能压到 100 毫秒以内。摄像头用 Picamera，配合 OpenCV 读帧，做一个简单的循环推理。

手机端的话，Android 可以用 TFLite，iOS 用 Core ML。但转换过程坑很多，尤其是算子不支持的问题。我的建议是：如果时间紧，演示环节用笔记本加 Gradio，论文里讨论移动端部署方案即可，不必真机跑通。把精力花在数据质量和模型对比上，性价比更高。

5. 避坑指南：那些让答辩翻车的细节

5.1 现象：训练集准确率 99%，测试集只有 60%

原因：数据泄漏。同一个物品的多张照片被分到了训练集和测试集，模型记住了这个物品而不是类别特征。或者数据增强用在了验证集上，导致验证指标虚高。

解决：按物品 ID 划分数据集，同一个物品的所有照片只进一个集合。验证集和测试集只做 resize 和归一化，不做随机裁剪和翻转。划分完检查一遍文件名，确认没有重复。

5.2 现象：模型把所有的图都预测成同一个类别

原因：类别不平衡。如果「其他垃圾」占了 70% 的样本，模型只要全猜这一类就能拿到 70% 准确率，loss 也会降。这是最隐蔽的坑，因为指标看起来还行。

解决：统计每个类别的样本数，对少的类别做过采样或者加类别权重。CrossEntropyLoss(weight=...)可以传入每个类别的权重，权重设为样本数的倒数。或者用 WeightedRandomSampler 在 DataLoader 层面做平衡。

5.3 现象：换一张自己拍的照片，模型完全不认识

原因：训练数据和真实场景的分布差异。公开数据集是白底摆拍，你自己拍的是桌面背景，模型学到的是背景相关性。

解决：训练时就混入真实背景的图。如果已经训练完了，做一次测试时增强（TTA），把图做几种变换后取平均预测。更彻底的办法是重新采集一批真实场景的图，微调最后几层。

5.4 现象：推理时显存溢出或者速度极慢

原因：没有用torch.no_grad()，推理时还在建计算图。或者 batch size 设太大，或者模型没设eval()导致 BatchNorm 用训练模式。

解决：推理代码必须包在with torch.no_grad():里，模型加载后立刻model.eval()。单张推理时unsqueeze(0)加一个 batch 维度就行，不要一次传太多图。

5.5 现象：Gradio 界面在答辩现场打不开

原因：端口被占用，或者防火墙拦截，或者launch()默认只监听本地。

解决：launch(server_name="0.0.0.0", server_port=7860)指定端口和监听地址。提前在答辩教室的电脑上试跑一遍，确认网络环境没问题。最保险的是准备一个录屏，万一现场出问题可以放视频。

6. 把四分类做到 90% 以上：几个我反复验证过的技巧

第一个技巧是渐进式解冻。一开始冻结主干只训练分类头，等验证准确率稳定后，解冻最后两个 stage，用更小的学习率（比如 1e-4）继续训练。这样比一上来就全量微调更稳，尤其在小数据集上。我一般分三段：前 10 个 epoch 只训 fc 层，中间 10 个 epoch 解冻 layer4，最后 10 个 epoch 解冻 layer3 和 layer4。

第二个技巧是测试时增强。推理时把同一张图做原图、水平翻转、轻微缩放三个版本，分别预测后取平均概率。这个操作不增加训练成本，通常能涨 1 到 2 个百分点。代码上就是把推理循环跑三遍，概率相加再除以三。

第三个技巧是混淆矩阵分析。训练完不要只看准确率，画一个混淆矩阵，看哪两个类别最容易混。我做过的一次实验里，「厨余垃圾」和「其他垃圾」混淆严重，因为剩饭和用过的纸巾外观接近。针对这种情况，专门补采这两个类别的边界样本，比盲目加数据有效得多。

最后说一个习惯：每次实验都记录配置。学习率、batch size、数据增强参数、随机种子，全部写进一个 config 文件或者实验日志。我吃过亏，有一次调出一个 92% 的模型，过了一周想复现，发现忘了当时用的学习率是多少，只能重跑。现在我用一个简单的 YAML 文件存所有参数，训练脚本读这个文件，实验名带上时间戳。这个习惯看起来麻烦，但能省下大量重复劳动。

希望帮到你。

本文还有配套的精品资源，点击获取