前言：为什么选择这个项目？

又到了一年一度的毕业设计季，相信很多计算机专业的同学都在为毕设项目发愁：

• 环境配置困难：PyTorch、CUDA版本不匹配，各种依赖包报错
• 代码看不懂：GitHub上的项目代码复杂，没有详细注释
• 数据集难找：想要训练自己的模型，却找不到合适的数据集
• 没有UI界面：命令行运行的项目，展示效果差，导师不满意

如果你也遇到了这些问题，那么今天分享的这个基于YOLOv8的垃圾分类检测系统绝对能帮到你！

项目优势

✅ 纯Python开发：无需复杂配置，环境搭建简单
✅ 一键运行：提供完整的UI界面，点击即用
✅ 功能完善：支持图片检测、视频检测、摄像头实时检测
✅ 数据集丰富：包含3490+张标注好的VOC格式图片
✅ 代码规范：详细的中文注释，易于理解和二次开发
✅ 分类智能：自动将38种垃圾分为4大类（可回收物、厨余垃圾、有害垃圾、其他垃圾）

---

系统演示

主界面展示

从图中可以看到，系统界面简洁美观，功能模块清晰：

• 左侧：模型选择、检测模式选择（图片/视频/摄像头）
• 中间：实时显示检测结果
• 右侧：显示检测到的垃圾类别、置信度、坐标位置等信息

检测效果展示

从检测结果可以看到：

• ✅ 识别准确率高：系统能够准确识别出图片中的多种垃圾，置信度普遍在85%以上
• ✅ 检测速度快：单张图片检测时间<100ms，视频检测FPS>30
• ✅ 分类准确：自动将检测到的垃圾分类为可回收物、厨余垃圾、有害垃圾、其他垃圾四大类
• ✅ 界面友好：检测结果以表格形式展示，包含序号、文件路径、识别结果、置信度、垃圾类别、坐标位置等信息

---

核心技术栈

本项目采用的技术栈如下：

技术	说明
Python	主要开发语言，语法简洁，生态丰富
PyTorch	深度学习框架，社区活跃，文档完善
PyQt5	GUI框架，界面美观，跨平台支持
OpenCV	计算机视觉库，图像处理必备
YOLOv8	最新的目标检测算法，速度快精度高
PIL/Pillow	Python图像处理库

为什么选择这些技术？

1. Python：语法简洁，适合快速开发，有丰富的第三方库支持
2. PyTorch：相比TensorFlow更容易上手，动态图机制调试方便，适合学术研究和项目开发
3. PyQt5：相比Tkinter功能更强大，界面更美观，适合做毕业设计展示
4. YOLOv8：YOLO系列的最新版本，在保持高速度的同时，检测精度进一步提升，是目前最先进的目标检测算法之一

---

项目目录结构

yolov8-pytorch-rubbish_01/
│
├── nets/                          # 网络模型定义
│   ├── backbone.py                # YOLOv8骨干网络
│   ├── yolo.py                    # YOLO模型主体
│   └── yolo_training.py           # 训练相关函数
│
├── utils/                         # 工具函数
│   ├── utils.py                   # 通用工具函数（图像预处理等）
│   ├── utils_bbox.py              # 边界框处理函数
│   ├── utils_fit.py               # 训练拟合函数
│   ├── utils_map.py               # mAP评估函数
│   ├── dataloader.py              # 数据加载器
│   └── callbacks.py               # 训练回调函数
│
├── model_data/                    # 模型相关数据
│   ├── my_classes.txt             # 类别名称文件（38类垃圾）
│   ├── yolov8_s.pth               # 预训练权重文件
│   └── simhei.ttf                 # 中文字体文件
│
├── VOCdevkit/                     # VOC格式数据集
│   └── VOC2007/
│       ├── Annotations/           # XML标注文件（3490个）
│       ├── JPEGImages/           # 原始图片（3490张）
│       └── ImageSets/            # 数据集划分文件
│
├── logs/                          # 训练日志和权重文件
│   ├── best_epoch_weights.pth    # 最佳模型权重
│   └── loss_*/                   # 训练损失曲线
│
├── ui/                            # UI界面资源文件
│   ├── ui.ui                      # Qt Designer设计文件
│   └── *.png                      # 界面图标资源
│
├── img/                           # 测试图片
├── img_out/                       # 检测结果输出
│
├── 主界面.py                       # 主程序入口（PyQt5界面）
├── predict.py                     # 命令行预测脚本
├── train.py                       # 模型训练脚本
├── yolo.py                        # YOLO检测类
├── waste_category.py              # 垃圾分类函数
└── voc_annotation.py              # VOC格式转换脚本

目录结构说明：

• nets/：包含YOLOv8的网络结构定义，这是整个项目的核心算法部分
• utils/：封装了各种工具函数，包括图像预处理、数据加载、模型评估等
• model_data/：存放预训练模型权重和类别文件
• VOCdevkit/：标准VOC格式数据集，包含3490张标注好的图片
• logs/：训练过程中保存的模型权重和日志文件
• ui/：PyQt5界面设计文件和资源

---

核心代码展示

1. UI界面初始化与检测流程

class MainWindow(QtWidgets.QMainWindow, Ui_MainWindow):
    def __init__(self, parent=None):
        super(MainWindow, self).__init__(parent)
        self.setupUi(self)
        
        # 初始化YOLO检测模型
        self.yolo = YOLO()
        
        # 设置置信度阈值下拉框（0.1-0.9）
        self.comboBox.addItems(["0.1", "0.2", "0.3", "0.4", "0.5", "0.6", "0.7", "0.8", "0.9"])
        self.comboBox.setCurrentIndex(4)  # 默认0.5
        
        # 绑定按钮点击事件
        self.pushButton_pic.clicked.connect(self.select_img)      # 图片检测
        self.pushButton_video.clicked.connect(self.select_video)  # 视频检测
        self.pushButton_camera.clicked.connect(self.button_open_camera_clicked)  # 摄像头检测
        
    def select_img(self):
        """选择图片进行检测"""
        # 打开文件选择对话框
        self.img_path, _ = QFileDialog.getOpenFileName(None, 'open img', '', "*.png;*.jpg;;All Files(*)")
        
        if self.img_path:
            # 使用PIL加载图片
            image = Image.open(self.img_path)
            
            # 调用YOLO模型进行检测
            r_image = self.yolo.detect_image(
                image, 
                crop=False, 
                count=False,
                confidence=float(self.comboBox.currentText())  # 使用设置的置信度阈值
            )
            
            # 调整图片大小并保存
            r_image = r_image.resize((411, 281))
            r_image.save('res3.png')
            
            # 在界面上显示检测结果
            self.label_show.setStyleSheet("image: url(./res3.png)")
            
            # 更新检测结果表格
            self.show_data()

代码说明：

• 使用PyQt5构建图形界面，界面美观易用
• 支持动态调整置信度阈值，用户可以根据需要调整检测灵敏度
• 检测流程：选择图片 → 加载模型 → 执行检测 → 显示结果

2. YOLO模型检测核心函数

    def detect_image(self, image, crop = False, count = False,confidence=0.5):
        self.confidence=confidence

        with open('res.txt','w')as fb:
            fb.write('')
        #---------------------------------------------------#
        #   计算输入图片的高和宽
        #---------------------------------------------------#
        image_shape = np.array(np.shape(image)[0:2])
        #---------------------------------------------------------#
        #   在这里将图像转换成RGB图像，防止灰度图在预测时报错。
        #   代码仅仅支持RGB图像的预测，所有其它类型的图像都会转化成RGB
        #---------------------------------------------------------#
        image       = cvtColor(image)
        #---------------------------------------------------------#
        #   给图像增加灰条，实现不失真的resize
        #   也可以直接resize进行识别
        #---------------------------------------------------------#
        image_data  = resize_image(image, (self.input_shape[1], self.input_shape[0]), self.letterbox_image)
        #---------------------------------------------------------#
        #   添加上batch_size维度
        #   h, w, 3 => 3, h, w => 1, 3, h, w
        #---------------------------------------------------------#
        image_data  = np.expand_dims(np.transpose(preprocess_input(np.array(image_data, dtype='float32')), (2, 0, 1)), 0)

        with torch.no_grad():
            images = torch.from_numpy(image_data)
            if self.cuda:
                images = images.cuda()
            #---------------------------------------------------------#
            #   将图像输入网络当中进行预测！
            #---------------------------------------------------------#
            t1 = time.time()
            outputs = self.net(images)
            outputs = self.bbox_util.decode_box(outputs)
            t2 = time.time()
            print(t2 - t1)
            with open('time.txt','w')as fb:
                fb.write(str(round(t2 - t1,2)))
            #---------------------------------------------------------#
            #   将预测框进行堆叠，然后进行非极大抑制
            #---------------------------------------------------------#
            results = self.bbox_util.non_max_suppression(outputs, self.num_classes, self.input_shape, 
                        image_shape, self.letterbox_image, conf_thres = self.confidence, nms_thres = self.nms_iou)
                                                    
            if results[0] is None: 
                return image

            top_label   = np.array(results[0][:, 5], dtype = 'int32')
            top_conf    = results[0][:, 4]
            top_boxes   = results[0][:, :4]

代码说明：

• 使用PyTorch进行模型推理，支持CPU和GPU两种模式
• 实现了完整的检测流程：图像预处理 → 模型推理 → 后处理（NMS） → 结果绘制
• 支持动态调整置信度阈值，灵活控制检测精度

3. 垃圾自动分类功能

qita=['xie','canjinzhi','suliaodai','naicha','zhiniaoku','kouxiangtang','zhibei','yantou','baoxianmo','wazi','huoji','yaqian','kouzhao']
chuyu=['jidanke','xia','qingcai','xiguapi','qiaokeli','diliao','jidankedddaa','mifan','neizang','xiangjiaopi','mianbao']
kehuishou=['shuibei','dao','wanou','chongdianbao','guo','baozhi','chazuo','bao','jiuping','yilaguan','dingzi']
youhai=['wenduji','dengpao','yao']


def main(name):
    """
    根据检测到的垃圾名称，自动分类到四大类
    
    Args:
        name: 检测到的垃圾类别名称（如'xie'表示废旧鞋子）
    
    Returns:
        [name, 垃圾大类, 详细说明]
    """
    if name in qita :
        tp='其他垃圾'
        content='其他垃圾，指除可回收物、有害垃圾、餐厨垃圾外的其他生活垃圾。即现环卫体系主要收集和处理的垃圾，' \
                '一般都采取填埋、焚烧等方法处理，部分还可以使用生物分解的方法解决，如放蚯蚓等。其他垃圾是可回收物、' \
                '厨余垃圾、有害垃圾剩余下来的一种垃圾种类。'
        return [name, tp, content]

    if name in youhai :
        tp = '有害垃圾'
        content = '有害垃圾，指生活垃圾中对人体健康或自然环境造成直接或潜在危害的物质。\
                  必须单独收集、运输、存贮，由环保部门认可的专业机构进行特殊安全处理。' \
                  '常见的有害垃圾包括废灯管、废油漆、杀虫剂、废弃化妆品、过期药品、废电池、' \
                  '废灯泡、废水银温度计等，有害垃圾需按照特殊正确的方法安全处理。'
        return [name, tp, content]
    if name in kehuishou:
        tp = '可回收物'
        content = '可回收物就是再生资源，指生活垃圾中未经污染、适宜回收循环利用的废物。' \
                  ' 主要包括废弃电器电子产品、废纸张、废塑料、废玻璃、废金属等五类，' \
                  '是现阶段生活垃圾分类的主要工作和影响垃圾减量的重要因素。'
        return [name, tp, content]
    if name in chuyu:
        tp = '厨余垃圾'
        content = '厨余垃圾是指居民日常生活及食品加工、饮食服务、单位供餐等活动中产生的垃圾，' \
                  '包括丢弃不用的菜叶、剩菜、剩饭、果皮、蛋壳、茶渣、骨头（鸡骨、鱼刺类）等，其' \
                  '主要来源为家庭厨房、餐厅、饭店、食堂、市场及其他与食品加工有关的行业。'
        return [name, tp, content]

代码说明：

• 将38种具体垃圾类别自动归类到4大垃圾类别
• 提供详细的垃圾分类说明，帮助用户了解垃圾分类知识
• 代码简洁易懂，易于扩展新的垃圾类别

---

如何使用/运行步骤

环境配置

方法一：使用Anaconda（推荐）

# 1. 创建虚拟环境
conda create -n pytorch python=3.8
conda activate pytorch

# 2. 安装PyQt5
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple PyQt5

# 3. 安装PyTorch（根据你的CUDA版本选择）
# CPU版本
pip install torch torchvision

# GPU版本（CUDA 11.0）
pip install torch torchvision -i https://pypi.mirrors.ustc.edu.cn/simple/

# 4. 安装其他依赖
pip install opencv-python==4.5.5.62
pip install matplotlib
pip install tensorboard
pip install tqdm
pip install scikit-learn
pip install Pillow==9.5.0

方法二：使用requirements.txt（如果项目提供）

pip install -r requirements.txt

运行步骤

步骤1：准备模型权重文件

将训练好的模型权重文件（best_epoch_weights.pth）放置在 logs/ 目录下。

如果没有训练好的模型，可以使用项目提供的预训练权重文件（位于 model_data/ 目录）。

步骤2：运行主程序

python 主界面.py

或者使用命令行预测：

python predict.py

步骤3：使用系统进行检测

图片检测：

1. 点击"选择图像"按钮
2. 选择要检测的图片（支持jpg、png格式）
3. 调整置信度阈值（可选，默认0.5）
4. 查看检测结果

视频检测：

1. 点击"选择视频"按钮
2. 选择要检测的视频文件（支持mp4、avi格式）
3. 系统会自动逐帧检测并显示结果

摄像头实时检测：

1. 点击"打开摄像头"按钮
2. 系统会打开电脑摄像头进行实时检测
3. 再次点击可关闭摄像头

训练自己的模型（可选）

如果你想用自己的数据集训练模型：

# 1. 准备VOC格式数据集
# 将图片放在 VOCdevkit/VOC2007/JPEGImages/
# 将XML标注文件放在 VOCdevkit/VOC2007/Annotations/

# 2. 生成训练和验证集列表
python voc_annotation.py

# 3. 开始训练
python train.py

# 4. 训练完成后，模型权重会保存在 logs/ 目录下

训练参数说明：

• Freeze_Epoch = 100：冻结训练100个epoch
• UnFreeze_Epoch = 300：解冻训练300个epoch
• Freeze_batch_size = 8：冻结阶段batch size
• Unfreeze_batch_size = 8：解冻阶段batch size
• Init_lr = 1e-2：初始学习率

---

项目特色功能

1. 多模式检测支持

• ✅ 图片检测：单张图片快速检测
• ✅ 视频检测：支持视频文件逐帧检测
• ✅ 实时检测：摄像头实时检测，FPS>30

2. 智能垃圾分类

• ✅ 自动识别38种具体垃圾类别
• ✅ 自动归类到4大垃圾类别（可回收物、厨余垃圾、有害垃圾、其他垃圾）
• ✅ 提供详细的垃圾分类说明

3. 可视化展示

• ✅ 检测结果以表格形式展示
• ✅ 显示检测框坐标、置信度等信息
• ✅ 支持点击表格查看详细信息

4. 灵活的参数配置

• ✅ 可动态调整置信度阈值（0.1-0.9）
• ✅ 支持选择不同的YOLOv8模型（n/s/m/l/x）
• ✅ 可自定义模型权重文件

---

数据集说明

本项目使用的数据集包含：

• 图片数量：3490张高质量标注图片
• 标注格式：VOC格式（XML文件）
• 类别数量：38种垃圾类别
• 数据划分：训练集和验证集已划分好

---

常见问题解答

Q1: 运行报错 “No module named ‘PyQt5’”

需要安装PyQt5，使用命令：pip install PyQt5

Q2: 检测速度很慢怎么办？

• 如果有GPU，在 yolo.py 中将 cuda = True
• 使用较小的YOLOv8模型（如yolov8_n）
• 降低输入图片分辨率

Q3: 如何提高检测准确率？

• 使用更大的YOLOv8模型（如yolov8_l或yolov8_x）
• 使用更多数据进行训练
• 调整数据增强参数
• 使用更好的预训练权重

Q4: 可以检测其他类别的物体吗？

可以！只需要：

1. 准备新的数据集并标注
2. 修改 model_data/my_classes.txt 文件
3. 重新训练模型

---

获取源码方式

由于篇幅限制，本文仅展示了项目的核心功能和部分代码片段。

完整项目包含：

• ✅ 完整的源代码（带详细中文注释）
• ✅ 训练好的模型权重文件
• ✅ 3490+张标注好的数据集
• ✅ 完整的项目文档和使用说明
• ✅ 万字项目报告（适合做毕设参考）
• ✅ 环境配置视频教程
• ✅ 项目运行演示视频

获取方式：
请点击下方卡片/链接获取完整源码和资料。

项目获取链接：https://my.feishu.cn/wiki/UoEjwqsL1iyyc4koWdzcNkh1ndf?from=from_copylink

---