简介：YOLO算法垃圾检测数据集标注文件包，专为计算机视觉目标检测场景设计，面向需要训练垃圾分类模型的开发者、竞赛选手或科研人员。压缩包内共有2000个XML格式标注文件，对应纸箱、纸张、塑料、铝、玻璃、硬纸板、瓶子、塑料瓶等常见生活垃圾类别，每个文件完整记录目标物体的边界框坐标、类别名称与图像尺寸信息，可直接用于YOLO系列模型的标签解析、格式转换与训练数据搭建。包体积约348.31MB，文件类型统一为XML，便于脚本批量处理，也方便按类别筛选与检查标注质量。目前已有346人学习浏览。解压后即可获得结构清晰的标注目录，省去手工标注的不菲成本，尤其适合需要快速验证YOLO算法、构建自定义垃圾检测数据集的中级及以上视觉开发者使用。
1. 这就是那个 13707 张图的 YOLO 垃圾检测数据集：先认清它解决什么问题
YOLO 算法做垃圾检测，听着像“拿个数据集、训个权重就完事”，但真正落到回收箱、分拣线和巡检无人机上，数据集质量比模型结构更决定上限。标题里这份 13707 张带标签图像，覆盖纸箱、纸张、塑料、铝、玻璃、硬纸板、瓶子、塑料瓶八类常见生活垃圾，适合智能环卫、回收设备和做目标检测落地的工程师。拿来就能训练是它的价值；但标注是否统一、类别是否重叠、训练验证切分是否干净，才决定你三天能出模型还是三周都在调数据。我按拿到这类 zip 数据集后的实际流程往下走。
2. 解压与标注体检：13707 张图不是解出来就能直接训的
2.1 解压与顶层目录体检：先看清数据是怎么组织的
拿到 zip 之后，第一步不是立刻打开图片看标注效果，而是先把它从“压缩包资源”变成“可训练目录”。我习惯在专门的 datasets 目录下解压，而不是直接扔进项目仓库里，避免和代码混在一起：
mkdir -p ~/datasets/garbage && cd ~/datasets/garbage mv ~/Downloads/yolo算法-垃圾检测数据集-13707张图像带标签-*.zip ./garbage.zip unzip -q garbage.zip -d garbage_data先重命名再解压，主要为了绕开中文文件名在部分 unzip 版本里的编码处理差异，省得后面路径解析时冒出一堆%E7%BA%B8%E7%AE%B1之类的东西。解压完成后，第一步看目录结构：
cd garbage_data find . -maxdepth 2 -type d | sort | head -60 du -sh * 2>/dev/null | sort -h第一条命令列出两层以内的子目录，第二条按大小排序列出顶层内容。一个 13707 张图的数据集，正常体量应该有几百 MB 到几个 GB，取决于图像原始分辨率。如果只有几十 MB，要么图像被压得很小，要么里面其实是缩略图，训练前要慎重。
这里要分两种常见布局：一种是已经分好images/train、images/val、labels/train、labels/val；另一种是只有一个images和一个labels平铺目录，甚至每个类一个子目录。第一种相对省事，但千万别立刻信任它的划分，后面 4.1 会讲为什么；第二种你必须自己写脚本切分。
还需要确认图像和标签的文件名是否一一对应。YOLO 训练时要求同一张图的图像文件和标签文件同名同路径前缀，只是扩展名不同。常见命名是img_0001.jpg和img_0001.txt。如果标签目录里多出一些没有对应图像的文件，或者反过来，训练时 ultralytics 会报 “Label not found”，或直接静默跳过，排查起来非常费时间。
我会顺手统计一下图片格式分布：
find images -type f | sed 's/.*\.//' | sort | uniq -c结果里如果出现 bmp、webp、tiff，就要考虑统一转成 jpg 或 png。YOLO 训练可以吃这些格式，但混合格式会降低数据加载效率，而且有的老版本 opencv 对 webp 支持不完整，读取时可能返回空图。统一转换我用一个很短的 Python 脚本批量做，避免手动一张张处理。
2.2 标注体检脚本：类别分布、空标注与极小框一次查清
目录结构确认之后，真正决定数据集能不能用的，是标签文件里的内容。我写过一个极简体检脚本，每次拿到新数据集都会先跑一遍，不依赖训练框架，只用标准库：
import os from collections import Counter label_dir = "labels" class_names = ["cardboard", "paper", "plastic", "aluminum", "glass", "hardboard", "bottle", "plastic_bottle"] cls_counter = Counter() empty_files = 0 bad_lines = 0 out_of_range = 0 too_small = 0 total_boxes = 0 for root, _, files in os.walk(label_dir): for f in files: if not f.endswith(".txt"): continue p = os.path.join(root, f) with open(p, "r", encoding="utf-8", errors="ignore") as fh: lines = [ln for ln in fh.read().splitlines() if ln.strip()] if not lines: empty_files += 1 continue for ln in lines: parts = ln.split() if len(parts) != 5: bad_lines += 1 continue try: cls_id = int(float(parts[0])) cx, cy, w, h = map(float, parts[1:5]) except ValueError: bad_lines += 1 continue cls_counter[cls_id] += 1 total_boxes += 1 if not (0 <= cx <= 1 and 0 <= cy <= 1 and 0 <= w <= 1 and 0 <= h <= 1): out_of_range += 1 if w < 0.01 or h < 0.01: too_small += 1 print("各类别实例数：") for i, name in enumerate(class_names): print(f" {i:2d} {name:<14s} {cls_counter.get(i, 0)}") print("空标签文件：", empty_files) print("格式异常行：", bad_lines) print("坐标越界框：", out_of_range) print("极小框(宽或高<1%图像尺寸)：", too_small) print("总框数：", total_boxes)代码逻辑很简单，但几个输出的含义值得逐条解释。类别实例数直接对标标题里的八类，如果发现某个类完全没有样本，或者某两类数量差一个数量级，就要警惕类别不平衡。空标签文件分两种：一种是这张图里确实没有垃圾，属于负样本，YOLO 也支持，通常建议保留一定比例的纯背景图来压误检；另一种是标注丢失，常见于数据集由多批采集拼凑而成，后期需要补标或剔除。
坐标越界框说明标注源头用的可能不是 YOLO 约定，也可能是标注时框出了图像边界。YOLO 训练时这类框不一定会报错，但会影响 loss 回传的稳定性。极小框的判断阈值我取了 0.01，也就是在 640x640 输入下只有 6 像素宽。这类目标通常是小塑料瓶盖、碎玻璃渣，模型很难学到有效特征，如果数量占比超过 5%，要么考虑提高输入分辨率，要么在转换时做过滤合并。
还有一个检查项我放在脚本之外：图像分辨率。13707 张图很可能不是统一尺寸。如果有的图是 1920x1080，有的是 640x480，训练时 YOLO 会强制缩放，导致小目标被压得更小。我平时用下面这个命令看分辨率分布：
file images/*.jpg | sed -n '1,20p'用file命令看前 20 张，或者用 Python 的 PIL 全量统计。如果尺寸差异大，建议先做一次统一 resize，至少把短边统一到 640 以上，再进训练流程。这里尤其要注意：如果 zip 里自带的是未缩放原图，就不要手动压缩，保留原始分辨率让 YOLO 自己处理，反而更稳。
3. 把多源标注转成 YOLO 能直接吃的格式：txt 归一化与 data.yaml
3.1 从 VOC XML 到 YOLO txt：归一化转换脚本
很多这类垃圾检测数据集，底层标注用的是 VOC XML 或 COCO JSON，zip 里并不直接是 YOLO 的 txt 格式。如果你解压后看到的是Annotations加JPEGImages两个目录，那就得先做格式转换。YOLO 和 VOC 的差异不只是文件后缀，核心是坐标系的表达方式不同：VOC 给的是xmin, ymin, xmax, ymax四个绝对像素坐标；YOLO 给的是归一化后的cx, cy, w, h，其中 cx、cy 是 bbox 中心点，w、h 是宽高，全部除以图像宽高。
我一般用下面这段脚本把 VOC XML 批量转成 YOLO txt：
import os import xml.etree.ElementTree as ET class_names = ["cardboard", "paper", "plastic", "aluminum", "glass", "hardboard", "bottle", "plastic_bottle"] def voc2yolo(xml_path, out_txt_path, img_w, img_h): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.iter("object"): name = obj.findtext("name", "").strip() if name not in class_names: continue cls_id = class_names.index(name) box = obj.find("bndbox") xmin = float(box.findtext("xmin")) ymin = float(box.findtext("ymin")) xmax = float(box.findtext("xmax")) ymax = float(box.findtext("ymax")) xmin = max(0, min(xmin, img_w)) ymin = max(0, min(ymin, img_h)) xmax = max(0, min(xmax, img_w)) ymax = max(0, min(ymax, img_h)) w = xmax - xmin h = ymax - ymin if w <= 0 or h <= 0: continue cx = (xmin + xmax) / 2.0 / img_w cy = (ymin + ymax) / 2.0 / img_h nw = w / img_w nh = h / img_h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {nw:.6f} {nh:.6f}") with open(out_txt_path, "w", encoding="utf-8") as fw: fw.write("\n".join(lines) + ("\n" if lines else ""))逻辑说明分三块。第一块是类别映射，class_names 的顺序就是最终训练时类别 id 的顺序，这个顺序一旦确定就不要改，否则权重和类别对不上。第二块是边界夹紧，把标注框超出图像边界的部分裁掉，避免出现 xmax 大于图宽的情况。第三块是坐标换算，先算像素宽高，再除以图像宽高得到归一化值，保留六位小数就够用，太多位只是徒增文件体积。
转换脚本本身不复杂，容易忽略的是 image 尺寸怎么来。有的 VOC 数据集在 XML 里有<size><width>...节点，可以直接读；如果没有，就必须在同名 jpg 上用 PIL 读取。注意一定不能用缩略图读尺寸，否则归一化坐标全错。这块我习惯写在主循环里：
from PIL import Image import glob for xml_path in glob.glob("Annotations/*.xml"): img_path = xml_path.replace("Annotations", "JPEGImages").replace(".xml", ".jpg") if not os.path.exists(img_path): img_path = img_path.replace(".jpg", ".png") with Image.open(img_path) as im: w, h = im.size out_txt = os.path.join("labels", os.path.basename(xml_path)[:-4] + ".txt") voc2yolo(xml_path, out_txt, w, h)这里读取原始图像尺寸的目的，是确保归一化坐标计算基准正确。如果先 resize 再转标注，就必须用 resize 后的尺寸重新计算，不能混用。另一个细节：如果转换后发现某个 txt 是空文件，极可能是该图里所有目标类别都不在 class_names 里，这种图要么补类、要么从训练集剔除，不要让它带着空标签进入训练。
3.2 划分 train/val 与 data.yaml：随机种子和目录约定
格式转换完成后，下一个问题就是怎么划分训练集和验证集。如果 zip 里已经带了切分，我会先按它走，但会用脚本验一遍划分是否干净；如果没有，就自己切。常规比例是 8:2 或 9:1，我一般取 85% 训练、15% 验证，类别少时验证集多留一点。
import os import random from sklearn.model_selection import train_test_split random.seed(42) img_dir = "images" lbl_dir = "labels" imgs = [f for f in os.listdir(img_dir) if f.lower().endswith((".jpg", ".jpeg", ".png"))] imgs.sort() train_imgs, val_imgs = train_test_split(imgs, test_size=0.15, random_state=42) for split, split_imgs in [("train", train_imgs), ("val", val_imgs)]: os.makedirs(f"images/{split}", exist_ok=True) os.makedirs(f"labels/{split}", exist_ok=True) for img in split_imgs: os.rename(os.path.join(img_dir, img), os.path.join(f"images/{split}", img)) label = img.rsplit(".", 1)[0] + ".txt" if os.path.exists(os.path.join(lbl_dir, label)): os.rename(os.path.join(lbl_dir, label), os.path.join(f"labels/{split}", label))这段脚本有几个细节。imgs.sort()是为了固定文件顺序，避免不同机器上 os.listdir 返回顺序不一样导致切分结果漂移。随机种子固定为 42，这样同一份数据每次切分结果一致，实验可复现。如果发现 val 图像没有对应 txt，脚本里会静默跳过，这种缺失不要直接忽略，建议先统计缺多少，超过 1% 就要回头查标注产出流程。
切分完还需要在 ultralytics 的 data.yaml 里把路径和类别名声明清楚：
path: /home/user/datasets/garbage_data train: images/train val: images/val names: 0: cardboard 1: paper 2: plastic 3: aluminum 4: glass 5: hardboard 6: bottle 7: plastic_bottlepath我写的是绝对路径；在服务器上换机器跑时，路径变了要同步改 yaml。names顺序必须和 3.1 转换脚本里的 class_names 完全一致，一个错位，整个模型训练就等于在错误标签上学习。yaml 里没有显式写nc: 8也可以，ultralytics 会自动从 names 长度推断，但写出来更明确。
启动训练的命令，我一般会先跑一个低 epoch 的快速验证，确认流程没问题再上全量：
yolo detect train data=garbage.yaml model=yolov8m.pt epochs=3 imgsz=640 batch=16三个 epoch 只是为了验证数据加载、loss 曲线和类别 id 对应关系，跑完看 train/val loss 是否下降，如果 loss 直接 NaN 或 val 指标为 0，一定是数据格式问题，不值得等完整训练。确认无误后，再把 epochs 改成 100 到 300 之间的实际值，模型权重可以从 yolov8m.pt 或 yolov8s.pt 开始。
4. 垃圾检测训练避坑：小目标、类间相似与数据泄漏的三类翻车
4.1 数据泄漏：训练集和验证集里混进了同一个场景的连拍帧
现象：训练时 val mAP 很漂亮，100 个 epoch 下来 mAP50 能到 0.9 以上，可是把模型拿到真实场景一测，误检和漏检都明显变多，和验证指标完全不符。
原因：这份垃圾检测数据集不少图像来自监控视频截帧或手机连拍，同一个瓶子、同一个纸箱会连续出现在多张相邻帧里。如果直接随机切分，同一场景的相邻帧可能同时落在 train 和 val，模型在验证集上“见过”目标，指标虚高。这是目标检测数据集最隐蔽的一类数据泄漏。
解决：划分前先做去重。轻量做法是用感知哈希按相似度聚类，把相似图像归到同一组，再按组切分。我用过一个最小实现：
import os import imagehash from PIL import Image from collections import defaultdict hash_dict = defaultdict(list) for f in os.listdir("images"): if not f.lower().endswith((".jpg", ".jpeg", ".png")): continue with Image.open(os.path.join("images", f)) as im: h = imagehash.phash(im.convert("RGB"), hash_size=16) hash_dict[str(h)].append(f) dup_groups = {k: v for k, v in hash_dict.items() if len(v) > 1} print("疑似重复/连拍组数：", len(dup_groups))用 phash 比较时，严格相同的哈希才归一组，所以不会误伤正常相似图像。更严格的做法是用imagehash计算两两汉明距离，但数据量大时 O(n^2) 太慢，我的经验是先按帧号或文件名前缀粗分，再在组内做 phash 比较。
另一个替代方案：如果 zip 里图像文件名带有序号特征，比如frame_0001或20250101_120001，按文件名字面顺序每隔若干张抽样成 val，也能有效错开连拍，但这种方法依赖文件名规律，不通用，只在没有更好办法时用。切分完以后，我还会从 val 里抽 20 张图，人工和 train 里的相似图对比一遍，确认没有肉眼可见的重复场景。
4.2 类间相似：纸箱和硬纸板互相误检，只能靠合并或重标
现象：训练收敛后，混淆矩阵里cardboard和hardboard两个类别互相预测的格子数值特别高，甚至bottle和plastic_bottle也在互相干扰，导致 mAP50 不低，但每个类单独看 AP 都很难看。
原因：纸箱和硬纸板在纹理、颜色、形状上高度重叠，标注规范里“纸箱”和“硬纸板”的边界本身就模糊。同一个褐色瓦楞纸物体，一个标注员标 cardboard，另一个标 hardboard，模型学到的类间差异就会被标注噪声淹没。瓶子同理，玻璃瓶和塑料瓶在轮廓上几乎一样，只有材质光泽有区别，YOLO 靠 RGB 特征很难分开。
解决：先做类目合并再训练。我的做法是把高度混淆的类别合并成上级类，比如cardboard + hardboard → packaging，bottle + plastic_bottle → bottle，然后看合并后的 mAP 是否显著上升。如果上升明显，说明原标注的类别粒度对模型来说太细了，强行分只会让每个类都学不好。合并操作在转换脚本里做就行，映射表一改，重新生成 txt：
merge_map = { "cardboard": "packaging", "hardboard": "packaging", "bottle": "bottle", "plastic_bottle": "bottle", }当然，如果产品需求必须区分“纸箱”和“硬纸板”，那就得回到数据层面补样本，尤其是标注规范要重写，明确“纸箱指瓦楞纸运输箱，硬纸板指平板状纸板”，并找同一标注团队返工。在这类需求下，YOLO 模型不是瓶颈，标注一致性才是。
还有一个小技巧：把最容易混淆的类别放在训练时做类别平衡采样，让它们的样本数尽可能接近，避免数量多的类把数量少的类“吃掉”。ultralytics 里可以用class_weights或在数据增强层面加重难例权重，但最直接的办法还是保证样本数均衡。我每次跑完训练都会先看 confusion matrix 图，如果某一对类别的互相混淆比例超过 20%，就先合并，不再继续调参。
4.3 小目标：远处的塑料瓶漏检，mAP50-95 始终偏低
现象：mAP50 到 0.85 以上了，但 mAP50-95 只停在 0.5 上下；把测试图放大看，远处的小塑料瓶、小易拉罐几乎全部漏检，近处的大目标则很正常。
原因：垃圾回收场景的目标尺寸分布极不均匀，部分图像里的瓶子只占图像面积 1% 不到。YOLO 默认输入 640x640，小目标下采样到 80x80 特征图时可能只剩 3x3 像素，特征基本消失。另外，如果数据集里近距离样本占主导，训练时模型对小目标的先验框匹配不上，正样本分配不到。
解决：先看小目标占比，第 2 章的体检脚本里那个too_small就能派上用场。如果极小框占比超过 3%，优先把输入分辨率提到 960 或 1280，这会直接增加小目标的像素占用：
yolo detect train data=garbage.yaml model=yolov8m.pt epochs=100 imgsz=960 batch=8注意imgsz从 640 提到 960 后，显存占用几乎翻倍，batch 要相应调小，不然会 OOM。另一种有效手段是开启更强的 mosaic 和 copy-paste 增强，让每个 batch 里小目标的出现频率更高。ultralytics 默认已经开了 mosaic，但可以通过mosaic=0.8这类概率参数控制。
如果分辨率已经拉到 1280 还是不够，就要考虑检测头层面的改造，比如给 YOLO 加 P2 检测层，或换用专门优化过小目标的模型结构。这块成本较高，我的建议是先在数据层面把问题量化，确认小目标确实占比高，再决定值不值得投时间。如果部署设备是边缘盒子，分辨率撑不到 1280，那就要接受小目标漏检的现实，用业务规则兜底，比如限制摄像头安装角度和检测距离范围，让算法只负责它擅长的那一段。
5. 用混淆矩阵和置信度阈值把模型推到能上线：最后一步校验
训练完不是看 mAP 就收工，我最后还会做三件事。第一，用一批完全不参与训练和验证的独立图像跑推理，这批图像最好来自另一台设备或另一个时间段的拍摄，避免和数据集同源。第二，画出混淆矩阵，逐个类别看互相污染的情况。第三，针对实际场景调置信度阈值。
yolo detect val data=garbage.yaml model=runs/detect/train/weights/best.ptval 结束后，在 ultralytics 的输出目录里找到confusion_matrix.png，如果某一行除了对角线以外还有明显亮点，说明这个类别和另一个类别存在系统混淆。这时候不要急着调模型，先回到 4.2 的合并思路，验证一次合并后指标是否更好。
部署时阈值的调节也很关键。自动回收箱场景里，误检一个纸箱的成本比漏检一个纸箱高，因为误检会触发错误的箱门开合，我一般把置信度阈值调到 0.45 到 0.55；如果是巡检记录场景，漏检更不可接受，阈值可以降到 0.25，多出的误检交给人工复核。ultralytics 推理时直接改 conf 参数：
yolo detect predict model=best.pt source=test_imgs/ conf=0.35 imgsz=960我的一个血泪经验是：上线前一定要对“类目合并后的版本”和“原始 8 类版本”都做一次完整评测，别因为原始版本指标好看就跳过。很多项目最后真正交到现场的模型，类别数反而比数据集标题少一两个，但这不代表模型变弱了，而是类别定义和真实业务对齐之后的结果。
另一个习惯是把验证集的预测结果和标注画到同一张图上，特别是把误检和漏检的图单独存档。每轮迭代后翻出来对比，能直观看到模型到底在哪些场景进步了。这个习惯帮我省下很多无效调参时间。希望帮到你。
本文还有配套的精品资源，点击获取
