简介：这是一份面向机器学习课程设计或入门实践者的Python垃圾分类系统完整源码包。项目基于监督学习思路，结合图像预处理、特征提取与模型训练，可帮助学习者掌握从数据清洗、特征工程到模型评估与部署的完整流程，适合高校学生完成课程报告或毕业设计参考。压缩包共32个文件，其中包含4个Python脚本（如模型训练、窗口识别、模型测试）、jpg/jpeg/png图片样本、xml标注及xls结果文件，可用于训练、测试和效果展示，整体仅2.26MB，轻量易用。目前已有772人学习浏览。通过该资源，读者可获得可运行的垃圾分类模型源码、训练与预测脚本、数据集样本和可视化结果图，以及清楚的工程目录结构，能够快速复现项目并在此基础上进行改进。无论是初步接触机器学习还是需要借鉴课程设计框架，这份资料都能提供完整参考，具有较强的实用价值。
1. 从课程设计到真实落地：Python垃圾分类系统源码在解决什么问题
每年到了课程设计季，总有同学抱着一个“Python垃圾分类系统源码”的压缩包，却不知道怎么把它变成自己答辩台上的东西。这个标题指向的，是一个典型的基于深度学习图像分类的机器学习课程设计：用Python写训练脚本，用卷积神经网络对生活垃圾图片做分类，最后给出一个能上传图片、返回类别和处置建议的可运行系统。它既是课程设计的标配题材，也是入门CV方向最直观的闭环项目之一。
比起单纯铺概念，这篇笔记更想帮你把源码包里的东西拆成“能复现的最小路径”：模型为什么这样选、训练参数怎么定、部署起来要哪些关键代码、以及最容易让你在答辩前夜翻车的几个坑。适合正在做课程设计、准备复试项目，或者想快速跑通一个完整机器学习应用流程的读者。我们直接进入正题。
2. 认识系统：模型、数据与工程结构
2.1 垃圾分类的本质是图像分类，为什么优先选迁移学习
打开任何一个“Python垃圾分类系统源码”，核心模块几乎都是图像分类器。输入一张照片，模型判断它属于可回收物、有害垃圾、厨余垃圾还是其他垃圾——如果数据集更细，还会细分到纸板、玻璃、金属、塑料这些子类别。课程设计里最常见的做法，是在ResNet、MobileNet或VGG这些预训练模型上做迁移学习，而不是从零搭一个卷积神经网络。
原因很实际。课程设计通常不会给你上万张高质量标注图，数据集规模普遍在每类几百到几千张。从零训练的CNN在这么少的数据上很难收敛，表现出的现象就是训练集准确率很高、验证集惨不忍睹，典型过拟合。而加载ImageNet上预训练好的权重，相当于模型已经会识别通用的纹理、边缘和形状特征，我们只需要替换最后一层全连接，用垃圾分类数据做微调。训练时间短、准确率高，代码量也少，在答辩时还能清楚讲出“为什么冻结特征层”“为什么把全连接层改成四分类”这类关键问题。
import torchvision.models as models # 加载在ImageNet上预训练过的ResNet18 model = models.resnet18(pretrained=True) # 把最后一层全连接换成4分类 num_features = model.fc.in_features model.fc = torch.nn.Linear(num_features, 4)这段代码是整个训练脚本最核心的几行。pretrained=True会下载预训练权重，初次运行时需要联网；把model.fc替换成新的全连接层，是因为原来的1000类输出不再适用。这里有个容易被忽略的点：新全连接层的权重是随机初始化的，训练时如果整个网络一起更新，前几个epoch梯度会被随机层主导，破坏掉预训练学好的特征。所以常见做法是先把特征层参数冻结，只训练新的全连接层，跑几个epoch后再解冻微调。后面训练章节会具体讲参数怎么设。
2.2 数据准备：公共数据集带来的标签不一致坑
课程设计用的数据，很多来自公开的华为垃圾分类数据集，或者从Kaggle、GitHub仓库收集整理。这类数据集通常会预处理好图片尺寸，多数统一缩放到224×224或256×256。但拿到手后不能直接开训，第一步要确认label和文件夹名的对应关系。
常见的数据目录结构是这样的：
dataset/ train/ glass/ # 玻璃 metal/ # 金属 paper/ # 纸类 plastic/ # 塑料 val/ glass/ metal/ paper/ plastic/按文件夹名分配标签是很自然的做法，但很多源码包里的label_map写死成了['glass', 'paper', 'metal', 'plastic']，而你的目录排序可能不同。PyTorch的ImageFolder默认按文件夹名的字母顺序分配标签，如果代码里手工指定的映射和实际顺序不一致，就会出现训练时“玻璃”的标签是0，预测时却把0当成了“纸类”——模型权重没问题，是标签映射错位了。我一般会先打印dataset.class_to_idx确认映射，再和label_map对一遍，这一步能省掉后面一整轮的排查时间。
另一个常见问题是类别不平衡。垃圾图片数据里，可回收物往往远多于有害垃圾，这会让模型对少样本类别学习不充分。后面避坑章节会专门讲处理办法，数据准备阶段先确认每类图片数量，如果某类只有几十张，就需要考虑数据增强或过采样。
2.3 源码目录结构：每个文件在管线里的职责
打开源码包，除了训练脚本，通常还包含数据处理、web部署和预测几个模块。常见文件规划大致如下：
classify_garbage/ train.py # 训练脚本：加载数据、定义模型、训练、保存模型 predict.py # 单张图片预测脚本，用于验证 app.py # Flask服务，提供web上传接口 templates/ index.html # 上传页面 utils/ dataset.py # 数据加载、标签映射、数据增强 trainer.py # 训练循环与验证逻辑 models/ # 训练好的权重文件保存位置 requirements.txt # 依赖库清单这套结构的好处是训练、预测、部署三者解耦。运行train.py产出权重文件，predict.py做离线验证，app.py把训练好的模型包装成web服务。很多源码包为了压缩体积不包含权重文件，需要你自己跑训练生成，这其实是个好事——逼你至少完整跑通一次训练流程，答辩时被问“模型怎么来的”才答得上。
要做的一件事是检查requirements.txt里的依赖版本。常见的是torch、torchvision、flask、pillow、numpy、matplotlib这几项，但有些老源码会写torch==1.4.0这种旧版本。建议装好Python并激活虚拟环境后，用pip install -r requirements.txt安装，如果安装报错，大多是版本冲突，给torch和torchvision去掉版本号重装通常能解决。
3. 用PyTorch跑通最小训练流程
3.1 环境准备与一键训练命令
训练前先把环境确认好。建议用Python 3.8以上的版本，独立创建虚拟环境，避免把系统Python搞乱。在Linux或Windows下命令类似：
python -m venv venv source venv/bin/activate # Windows下是 venv\Scripts\activate pip install torch torchvision flask pillow matplotlib scikit-learntorch是深度学习框架，torchvision提供预训练模型和图像处理工具，flask用来做web演示，scikit-learn用于评估指标。安装完成后先跑一下python -c "import torch; print(torch.__version__)"，能打印版本就说明环境没问题。
然后是训练命令。源码包里的train.py通常支持命令行参数，最常见的形式是：
python train.py --data_dir dataset --epochs 50 --batch_size 32 --lr 0.001如果包里面没有封装命令行参数，而是直接改脚本里的常量路径，那就手动把data_dir改成你的数据目录。我习惯先不用50个epoch，设置成10个快速跑一遍，确认数据加载、模型前向传播、损失函数、保存路径全都没问题，再正式跑长训练。这比自己盯着黑屏终端看半个小时后才发现报错要划算得多。
3.2 训练主脚本核心逻辑与关键参数
训练脚本看着很长，核心循环其实就那么几件事：加载数据、前向传播、算损失、反向传播、更新权重、定期保存模型。下面抽主干代码来拆解一下。
import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms, models # 1. 定义数据预处理 train_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 2. 加载数据集 train_dataset = datasets.ImageFolder(root='dataset/train', transform=train_transform) val_dataset = datasets.ImageFolder(root='dataset/val', transform=val_transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True) val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=32, shuffle=False) # 3. 定义模型并冻结特征层 model = models.resnet18(pretrained=True) for param in model.parameters(): param.requires_grad = False num_features = model.fc.in_features model.fc = nn.Linear(num_features, len(train_dataset.classes)) # 4. 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.fc.parameters(), lr=0.001)先说明一个关键点：数据预处理中使用了Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])，这是ImageNet数据集的均值和标准差。因为预训练模型是在ImageNet上训练的，输入图片的分布必须对齐到同样的统计量上，否则迁移效果会打折。如果源码里没写这一步，预测结果经常出现奇怪的高错误率——输入图片的数值分布和模型预期不一致，模型相当于在“陌生语言环境”下工作。
训练和验证时的数据增强分离，也是容易踩的地方。训练集用了随机翻转和随机旋转，验证集只用缩放和归一化，目的是让训练数据多样化、评估结果稳定。如果把数据增强也用到验证集，每轮验证的结果会因为图片被随机旋转而上下波动，你很难判断模型是在变好还是变坏。
上面的冻结策略是第一阶段的。训练时我只更新model.fc这一层，optimizer里传的是model.fc.parameters()。等第一阶段收敛后，常见做法是解冻部分或全部层，降低学习率继续微调。这也是为什么有些源码里训练脚本会分两段写学习率，先大后小，防止随机初始化的新层破坏预训练权重。
3.3 训练过程中的评估：用混淆矩阵而不是只看acc
课程设计答辩里，老师几乎一定会问“模型效果怎么样”。只回答“准确率95%”非常单薄，因为准确率掩盖了类别间的差异。有害垃圾样本少，即使模型每次都预测成其他类，整体准确率也可能很高。所以在训练脚本里加一段验证逻辑，输出混淆矩阵，能让你答辩时多一张有说服力的图。
import numpy as np from sklearn.metrics import confusion_matrix model.eval() all_preds, all_labels = [], [] with torch.no_grad(): for images, labels in val_loader: outputs = model(images) _, predicted = torch.max(outputs, 1) all_preds.extend(predicted.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) cm = confusion_matrix(all_labels, all_preds) print(cm)这段代码放在每个epoch的验证阶段，跑完打印一个矩阵。矩阵的第i行第j列表示“真实类别是i、预测为j”的样本数，对角线越醒目越好。一张好的混淆矩阵图，配合精确率、召回率、F1值，答辩的展示深度和只看acc完全不一样。源码包里如果没有现成的评估函数，建议自己加上这段，顺手用matplotlib把混淆矩阵画出来保存为图片：
import matplotlib.pyplot as plt plt.imshow(cm, interpolation='nearest') plt.colorbar() plt.xlabel('Predicted') plt.ylabel('True') plt.savefig('confusion_matrix.png')最后是检查点保存。训练50个epoch如果中途断电或内存不够，全部从头重来非常折磨。保存最好的那个权重而不是最后一个epoch的权重是血泪经验。常见做法是每个epoch验证完后，如果验证准确率比历史最高还高，就覆盖保存一次best_model.pth，同时保留last_model.pth。这样即使后面过拟合了，也还能回退到验证集上表现最好的那版。很多源码只保存最后一次训练结果，一旦最后一个epoch恰好过拟合，模型文件就是坏的。
4. 用Flask把模型封装成可演示的Web系统
4.1 模型加载与预测接口
课程设计如果只交一个训练脚本，通常是不够的。老师会要求“能看到上传一张图片，系统自动返回分类结果”，所以一个可交互的web界面几乎是这类项目的标配。实现上最轻量的方案是用Flask搭一个单页应用：前端一个上传按钮，后端收到图片后调用模型预测，把结果和置信度渲染回页面。
import torch from flask import Flask, request, jsonify, render_template from torchvision import transforms, models from PIL import Image import io app = Flask(__name__) # 类别名称，和训练时的class_to_idx保持一致 classes = ['glass', 'metal', 'paper', 'plastic'] # 加载模型 model = models.resnet18(pretrained=False) model.fc = torch.nn.Linear(model.fc.in_features, len(classes)) model.load_state_dict(torch.load('best_model.pth')) model.eval() transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) @app.route('/') def index(): return render_template('index.html') @app.route('/predict', methods=['POST']) def predict(): file = request.files['image'] img = Image.open(io.BytesIO(file.read())).convert('RGB') img_tensor = transform(img).unsqueeze(0) with torch.no_grad(): outputs = model(img_tensor) _, predicted = torch.max(outputs, 1) prob = torch.softmax(outputs, dim=1)[0] * 100 return jsonify({ 'label': classes[predicted.item()], 'confidence': round(prob[predicted.item()].item(), 2) })这个接口的逻辑很直接：/predict路由接收前端POST上来的图片文件，用PIL打开并转成RGB三通道，经过和训练时完全一致的数据预处理后，送入模型前向推理，最后返回类别标签和置信度百分比。需要注意的是，如果训练时数据预处理里用了RandomHorizontalFlip，这里一定不能带——推理时一张图片希望得到确定的结果，随机翻转会让结果不稳定。
模型加载时pretrained=False是必须的。有人会在部署脚本里也写pretrained=True，结果每次启动都要重新下载预训练权重，速度慢还可能报网络错误。加载的是训练好的best_model.pth，里面的权重已经包括预训练权重和微调结果，不需要也不应该再加载ImageNet的预训练权重。
4.2 前端页面与服务启动
源码包里的templates/index.html通常是一个简单的上传页面。如果包里的前端样式比较简陋，可以替换成下面这个小而完整版本：
<!DOCTYPE html> <html> <head> <title>垃圾分类系统</title> </head> <body> <h2>上传一张垃圾图片</h2> <form action="/predict" method="post" enctype="multipart/form-data"> <input type="file" name="image" accept="image/*" required> <button type="submit">识别</button> </form> </body> </html>注意<form>里action="/predict"必须和后端路由一致，enctype="multipart/form-data"是文件上传必须的编码方式。有的同学把源码下来改了接口路径，忘了同步改表单的action，点提交按钮后返回404，还以为是模型有问题。
启动服务用Flask自带测试服务器就够课程设计用了：
python app.pyFlask默认监听5000端口，浏览器打开http://127.0.0.1:5000就能访问。如果端口被占用，在脚本最后改成app.run(host='0.0.0.0', port=5001)换一个。把host设为0.0.0.0还有一个不方便明说的用处：同一局域网内用手机访问电脑IP加端口也能打开页面，答辩现场演示时不用挤在一台电脑前看。
5. 避坑：垃圾分类系统开发中最常见的5个坑
5.1 中文文件名导致的图片读取为None
现象：训练脚本执行到中途报错，提示Failed to load image，但报错的图片在文件夹里明明存在。
原因：很多垃圾分类数据集的图片文件名是中文的，比如“废纸箱001.jpg”，或者文件夹路径本身带中文。一些基于OpenCV实现的旧源码用cv2.imread()读取图片，它不支持中文路径，读出来是None，后续转成张量时直接崩溃。
解决：把cv2.imread()替换成Image.open()，PIL对中文路径兼容性更好。如果源码里多处用到OpenCV读图，统一改成PIL，或者写一个包装函数：
def load_image(path): from PIL import Image return Image.open(path).convert('RGB')5.2 训练和预测时的预处理不一致，结果严重漂移
现象：训练准确率95%，部署后随便测几张真实照片，预测结果准确率直线下降，甚至出现同一个模型对同一张图两次预测答案不同。
原因：训练脚本里用了RandomHorizontalFlip和RandomRotation做数据增强，但推理脚本也原样复制了这些变换。推理时图片被随机翻转旋转，模型规则不明，结果自然不稳定。另一个高频错误是推理脚本漏了Normalize，输入图片像素值在0到255之间，而训练时输入是0到1之间归一化后的，分布完全不同。
解决：把训练和预测的数据预处理彻底分开。训练用带增强的transform，推理只保留缩放、转张量、归一化，严禁使用任何Random*操作。这是遇到“模型像玄学一样上蹿下跳”时第一个要检查的点。
5.3 验证时忘记切换model.eval()，BN层和数据增强一起捣乱
现象：验证阶段的准确率忽高忽低，甚至训练集准确率100%，验证集只有60%，怎么调参都没用。
原因：模型默认处于model.train()模式，BatchNorm层的统计量会随着当前batch的数据实时更新。验证时每张图片经过的BN统计量都不同，输出自然不稳定。尤其是用预训练模型时更明显，BN层的running_mean和running_var在没有固定统计量的情况下波动很大。
解决：验证和推理前显式调用model.eval()，告诉PyTorch切到推理模式，BN层使用训练阶段累积的全局统计量。训练前再切回model.train()。很多课程设计源码只在train里写了model.train()，却没在eval里写model.eval()，这个坑特别隐蔽。
5.4 未设置随机种子，两次训练结果差异巨大
现象：同一份代码、同一个数据集，跑两次训练得到的准确率和混淆矩阵相差很大。答辩前夜跑出的最佳结果，第二天重开环境复现不出来。
原因：PyTorch初始化模型权重、DataLoader随机打乱数据时都会用到随机数，默认每次启动都不同。没有固定随机种子，模型每次训练的起点和轨迹都变了。
解决：在训练脚本最开头加一段固定种子的代码：
import random, numpy as np, torch random.seed(42) np.random.seed(42) torch.manual_seed(42)如果机器有GPU还可以加一行torch.cuda.manual_seed_all(42)。这样至少同一环境下的训练流程是可以复现的，“玄学波动”会小很多。
5.5 数据集划分不当，验证集出现数据泄漏
现象：训练集和验证集准确率都很高，但拿到教室现场拍的照片或网上找的新图片去测，效果很差。
原因：有些源码包直接从一个文件夹里随机抽取20%作为验证集，但原始数据集本身就是从少数几个源头采集的，同一个来源的图片在训练集和验证集里都出现了，本质是“背题”。模型在遇到真正没见过的拍照场景时，跨域泛化能力不足。
解决：按来源目录划分数据而不是按文件随机划分，保证同一个来源的图片不会同时出现在训练集和验证集。如果条件允许，单独留一个“现场测试”文件夹，收集一些与训练数据风格不同的照片（比如从手机拍、不同光照下），用来模拟真实使用场景。答辩时能主动说自己做了跨场景验证，是加分项。
6. 进阶：提升准确率与验证系统可用性
6.1 如果只有几百张图片，怎么把效果再往上提一点
课程设计的数据普遍不算大，这时最有效的几步不是换更大的模型，而是把现有数据和模型用透。首先检查数据增强强度：RandomResizedCrop、ColorJitter、RandomHorizontalFlip是图像分类三件套，能同时缓解过拟合和提升对真实环境下拍摄角度变化的鲁棒性。其次尝试二阶段微调策略：第一轮用较低学习率只更新全连接层，第二轮解冻特征层全部参数，学习率降到原来的十分之一继续微调，通常能有几个点的提升。
另外一个容易被忽视的是类别不均衡。如果“有害垃圾”只有其他类别一半的图片量，可以在WeightedRandomSampler里给少样本类别更高的采样权重，或者简单地在CrossEntropyLoss里传入class_weight参数。后者改一行损失函数就能生效：
criterion = nn.CrossEntropyLoss( weight=torch.tensor([1.0, 1.0, 1.0, 2.0]) )实际权重值要根据你的数据分布计算，这里只是示意。答辩时能讲清楚“因为我发现有害垃圾样本偏少，所以加了类别权重”，比只背准确率数字更有记忆点。
6.2 训练收敛后如何验证和展示
训练结束不是终点，建议多做两件事来支撑答辩。第一，把训练过程中的损失曲线和准确率曲线保存成图片，这能直观展示模型在哪个epoch开始过拟合，微调阶段效果如何。源码包里如果没有曲线记录，用matplotlib在训练循环里每N轮记录loss和acc，最后画图。第二，准备几张真实环境下的测试图片（手机拍的垃圾桶照片、不同光线下的饮料瓶），放到一个demo_images文件夹里，通过predict.py批量预测并打印结果。这样答辩现场不用临时翻相册上传，也不怕现场网络不好导致公共API调用失败。
如果学有余力，还可以把模型导出为ONNX或者TorchScript格式，推理速度比原生PyTorch更快，同时也吹响“我考虑了部署效率”的信号。导出ONNX很简单：
dummy_input = torch.randn(1, 3, 224, 224) torch.onnx.export(model, dummy_input, 'model.onnx', input_names=['input'], output_names=['output'])6.3 一个关于训练心态的小建议
最后说点实在话。课程设计如果时间紧张，不要试图重新发明轮子，更不要追求训练出超过论文的准确率。核心是把“数据加载、模型训练、评估、部署”这条完整的机器学习应用流程跑通，每个环节能说清楚为什么这么设计。我见过的翻车案例里，反而多数不是因为模型效果差，而是部署时模型加载地址写错、上传接口报错、演示图片在教室电脑上打不开这类工程问题。所以系统做完，把虚拟环境、权重文件、演示图片、启动命令写进README，换一台干净电脑完整跑一遍。自己能顺利走通的流程，才是真正属于你的东西。
希望这篇笔记能帮你的垃圾分类课程设计少走几步弯路，顺利跑完属于你自己的机器学习落地项目。
本文还有配套的精品资源，点击获取
