基于yolo8的常见垃圾识别
前言
纸板、纸张、塑料、玻璃这些可回收物外观相近,人工分拣既费时又容易出错。
本文介绍一种基于 YOLO8 图像分类模型的常见垃圾识别方法:输入一张垃圾图片,模型输出它属于哪一类垃圾以及对应的置信度。
项目可识别纸板、玻璃、金属、纸张、塑料和其他垃圾六个类别。
本项目做的是整张图片的分类,每张图片只给出一个类别,不输出垃圾在图中的位置框。
整体流程主要分为两步。
第一步:把垃圾图片按类别整理到对应目录,以 YOLO8 分类预训练权重为起点进行微调训练。
第二步:加载训练好的权重,对指定图片进行识别,输出类别名称和置信度。
介绍
第一步:垃圾分类模型训练
YOLO8 环境配置
项目使用 Python 开发,模型训练和推理由 Ultralytics 完成。
依赖安装命令如下:
pip install ultralytics
数据集准备与处理
项目使用 公开的 Garbage classification 数据集,共两千多张图片。
数据按文件夹格式组织:
train、val、test三个目录下各有六个类别子目录,子目录名称就是类别名称。
英文类别中文含义训练集验证集测试集合计cardboard纸板2986540303glass玻璃3529455501metal金属2869033409paper纸张41312853594plastic塑料32110257480trash其他垃圾982514137合计—1,7685042522,424
训练分类模型
项目使用预训练好的 YOLO8 分类权重作为起点,在垃圾图片上继续训练。
图片输入模型后,网络逐层提取颜色、纹理和形状特征,最后为六个类别分别打分,选最高分的类别作为识别结果。
在项目根目录运行
train.py即可开始训练。脚本默认使用yolo8.pt。
训练结果评估
从 yolo8 的各类别结果看,纸张、玻璃、金属的召回率都在 97% 以上。
塑料为 86.0%,有 4 张被认成了玻璃,原因是透明塑料瓶和玻璃瓶外观相近。
其他垃圾只有 71.4%。
第二步:指定图片垃圾识别
加载分类权重
predict.py默认加载训练脚本生成的best.pt。
使用脚本识别图片
在项目根目录执行如下命令,识别指定图片中的垃圾类别:
python predict.py
脚本默认识别根目录下的
1.jpg,这是一张黑色啤酒瓶的图片。模型输出glass 0.94,表示判断为玻璃,置信度约为 0.94,识别正确。脚本还提供了
predict_batch函数,可以批量识别整个文件夹的图片。
识别效果与适用范围
训练图片大多是单个物体、背景干净的照片,实际使用时最好每张图片只拍一件垃圾。
总结
以上就是基于 YOLO8 的常见垃圾识别项目的主要实现流程:准备六类垃圾图片,微调 YOLO8 分类模型,再用最佳权重对图片进行识别。
测试集上效果最好的 yolo8 准确率为 93.7%,在普通 CPU 上识别一张图片约需 20 毫秒。
后续可以补充“其他垃圾”和透明塑料的样本,进一步提升识别效果。
感兴趣的小伙伴可以联系我.