简介本资源是一套基于YOLOv8的垃圾分类识别系统完整实现方案面向人工智能方向本科生、毕业设计与课程设计学习者解决现实场景中垃圾图像自动识别与定位难题。压缩包共11个文件含2个核心Python脚本annotate.py用于辅助标注、rename_dataset.py支持数据集批量管理、1个预训练模型yolov8n.pt、1个数据配置yaml文件、2张预测效果示意图PNG、1份项目说明README.md及必要工程配置文件.gitignore和系统缓存文件.DS_Store整体大小为10.21MB。目前已有30人学习下载适合初学者快速掌握YOLOv8目标检测落地流程。读者可直接复现从数据准备、模型微调、预测可视化到工程化部署的全链路尤其获得实用工具脚本、结构清晰的数据组织范式及真实场景下的检测效果参考图显著降低深度学习项目实践门槛。 开头部分我就直接以博主口吻切入不绕弯子。这个标题我太熟悉了每年毕设季都能看到一堆类似的项目压缩包但真正能把YOLOv8垃圾分类识别从数据集做到训练再到部署全链路跑通的其实不多。这篇文章我就把整个项目的技术脉络和实操细节完整拆给你看。1. 项目解读这个垃圾分类识别到底在做什么1.1 标题背后的真实需求基于YOLOv8的垃圾分类识别设计这个项目标题乍一看是毕设或者课设的标准题目但它背后代表的需求其实很实在用目标检测模型实现垃圾类别的自动识别与定位。对比分类任务目标检测输出的是目标的类别和位置信息也就是每个垃圾在图中的具体坐标框这意味着后续可以接机械臂抓取、智能分拣流水线或者终端拍照识别报警应用场景比单纯分类要广得多。这类项目对学生的要求不是仅仅跑通一个模型而是要完整掌握从数据处理、模型训练、评估优化到部署落地的整个链路。YOLO系列因为工业部署成熟、代码生态完善是这类项目的第一选择。而YOLOv8作为Ultralytics在2023年初推出的版本相比YOLOv5在骨干网络、头部结构、正负样本分配上都做了重构精度和训练效率都有提升拿来作为项目基座是要比老版本更有说服力的。1.2 为什么选YOLOv8而不是其他模型这个选择不是拍脑袋。实际对比过YOLOv5和YOLOv8的话会发现YOLOv8最大的变化有三个一是C3模块换成了C2f模块梯度回传路径更丰富特征提取能力更强二是Head从耦合头改成了Decoupled-Head分类和回归各走各的分支收敛速度更快三是正负样本分配从静态匹配换成了TaskAlignedAssigner让样本分配更贴合任务难易程度。这三个改动直接带来的收益是同尺寸模型下mAP有小幅提升且训练更稳定。拿手头的GTX 1660Ti来说6GB显存跑YOLOv8sbatch size设16、输入640分辨率显存占用大概在4到5GB之间能流畅训练。如果换成YOLOv8m或者更大的模型就会开始吃力得降低batch或者开梯度累积。所以对于大多数没有高端显卡的学生党YOLOv8s和YOLOv8n是性价比最高的选择。这个选型思路在项目里很关键决定了你后面一系列参数怎么调。2. 环境与数据集准备2.1 环境配置的几个关键点YOLOv8的环境配置本身不算复杂因为Ultralytics把依赖打包得比较完整用pip安装ultralytics包就行。但实际配环境的时候有几个坑值得提前说。首先Python版本建议3.8到3.10之间。PyTorch方面网上有不少人在问PyTorch 2.1.3支不支持YOLOv8实际上Ultralytics官方对PyTorch版本没有严格限制1.8以上的版本跑YOLOv8都没问题只是PyTorch 2.x的torch.compile能带来一定的速度提升。不过对于1660Ti这种显卡没必要追求太新的版本PyTorch 1.13或者2.0.1搭配CUDA 11.7/11.8就很稳。CUDA版本再往上走驱动容易出幺蛾子。再有一个经常被忽略的是ultralytics包和torch的版本兼容。有次我在新环境里装的是最新版ultralytics结果它依赖的opencv-python版本和torchvision的某些底层库冲突导致训练时随机崩溃最后是把ultralytics降到8.0.x版本才解决。建议装的时候直接指定版本号不要无脑装最新。命令参考conda create -n yolov8 python3.9 conda activate yolov8 pip install torch2.0.1 torchvision0.15.1 --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics8.0.100装完后可以用一行命令验证环境yolo predict modelyolov8n.pt sourcebus.jpg如果能正常跑出检测结果说明环境没问题了。2.2 数据集构建与标注实操垃圾分类的数据集公开的有华为的垃圾分类数据集、TrashNet、以及一些Kaggle上的垃圾分类集合。TrashNet是比较经典的一个包含玻璃、纸、金属、塑料、纸板、一般垃圾六类大概两千多张图作为入门训练集够用了。但如果想要更好的效果更推荐自己采集加公开数据混合因为公开数据集的场景单一真正部署到实际场景时泛化能力会差很多。数据标注是另一个大头。网上搜yolov8数据标注具体操作的人特别多其实核心就三步装标注工具、画框、导出成YOLO格式。工具上LabelImg和LabelMe都行LabelImg更轻量适合矩形框标注LabelMe支持多边形适合形状不规则的物体。分类垃圾的场景矩形框足够用LabelImg就行。标注完成后LabelImg默认导出的是Pascal VOC格式的XML文件需要转成YOLO格式的txt。YOLO格式每个txt文件对应一张图片每行是类别id x_center y_center width height坐标值是归一化到0到1之间的。转换脚本自己写就行网上也有一堆现成的但强烈建议自己写一遍理解格式转换的逻辑后面排查问题会省很多事。数据集目录结构要按照YOLO的约定来dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/最后写一个data.yaml文件里面指定路径、类别数和类别名称。路径这块要特别注意最好用绝对路径因为Ultralytics在部分版本里对相对路径的解析有bug训练时会报找不到图片。3. 模型训练与核心参数选择3.1 训练文件的修改要点YOLOv8的训练入口有两种方式一是直接用命令行yolo train二是写Python脚本调YOLO类。项目实践中我更推荐用Python脚本因为参数可以写死在代码里可复现性更好也方便后面做实验记录。关键配置就三个文件data.yaml、模型yaml、训练脚本。如果你用的是官方预训练权重微调模型yamlyolov8s.yaml不需要改太多主要改nc参数为你的类别数。data.yaml里nc和names必须和标注的id一一对应这里最容易出错类别顺序对不上训练出来的模型预测结果全是乱的。训练脚本的参考写法from ultralytics import YOLO model YOLO(yolov8s.yaml).load(yolov8s.pt) model.train( datadata.yaml, epochs100, imgsz640, batch16, device0, workers4, optimizerSGD, lr00.01, cos_lrTrue, patience20, cacheTrue, projectruns/detect, namegarbage_cls )有人问load(yolov8s.pt)和直接YOLO(yolov8s.yaml)的区别加载预训练权重是迁移学习训练收敛快、精度高尤其适合数据量不大的垃圾分类项目不加载预训练权重是从零训练需要的数据量和时间都多得多。数据量没有上万张的话务必用预训练权重微调。3.2 训练参数的深度解读超参数这块是很多人稀里糊涂的地方。先说epochs不是越大越好。垃圾分类数据集通常在几千张的量级100个epoch左右基本就收敛了。我习惯加上patience20做早停连续20轮验证集指标不提升就自动停止省时间还防止过拟合。batch size的确定要看显存。1660Ti的6GB显存yolov8s跑batch 16是极限了再大就OOM。如果显存不够有两个办法一是减小imgsz从640降到512显存占用能低不少但小目标检测精度会下降二是开启梯度累积Ultralytics里虽然没有直接参数但可以通过减小batch配合手动梯度累积来实现不过操作麻烦不如直接换yolov8n模型。说到yolov8n这是YOLOv8系列里的轻量级版本参数量只有3.2M左右。如果训练设备实在太拉胯比如只有4GB显存的笔记本yolov8n是能跑起来的底线。代价是精度会比s版本低一些但对垃圾分类这种类别间外观差异大的任务来说n版本的精度也够用。优化器选择上SGD和AdamW都在用。我的经验是数据量小、预训练权重微调SGD配cos_lr往往能磨到更好的局部最优尤其对mAP50-95这类指标更友好AdamW收敛更快前期loss下降猛适合快速看效果。我一般先用SGD跑一版完整的再用AdamW跑个30个epoch做对比取验证集指标高的那个。训练过程中的损失函数曲线怎么看YOLOv8训练会输出train/box_loss、train/cls_loss、train/dfl_loss以及对应的验证集版本。正常情况是随着迭代次数增加所有loss都在下降然后趋于平稳。如果发现验证集loss在下降一段后反弹那就是过拟合了可以加数据增强、降低学习率或者提前停止。Ultralytics的训练日志会存成result.csv文件直接用Excel或者Python的pandas画曲线图都行网上搜yolov8画损失函数曲线图能找到很多工具脚本但自己写一个也就是几行matplotlib的事。4. 模型评估与改进落地4.1 评估指标不只是看mAP训练结束后Ultralytics会在runs/detect/name/目录下保存weights、混淆矩阵、PR曲线、验证集预测图等文件。很多人只看一眼mAP50就认为完事了其实不够。对垃圾分类项目我建议重点看三个东西一是混淆矩阵能直接看出哪些类别之间容易互相认错比如纸和纸板这类外观相近的类别二是PR曲线观察精确率和召回率的平衡点如果PR曲线下的面积AP在某个类别特别低说明这个类别的训练样本可能不够或者标注框质量差三是看验证集的可视化预测图确认预测框位置是否贴合真实物体边界有没有漏检或误检。如果在训练时设置了plotsTrue这些图会自动保存在训练目录下非常方便。4.2 从C2f到注意力机制YOLOv8改进方向垃圾分类项目做到一定程度为了拿高分或者提升效果很多人会去研究YOLOv8改进。这个方向非常深但也确实能提点。最近两年比较火的改进方向主要有三个注意力机制、特征融合结构、下采样方式。注意力机制这块最常见的是在C2f里插入SE、ECA、EMA或者CBAM模块。其中EMA注意力机制Efficient Multi-Scale Attention和ECAEfficient Channel Attention都是轻量级方案不会给模型增加太多参数量但对精度的提升是实打实的。具体操作上网上有人分享将EMA融入YOLOv8的C2f模块的代码核心就是在C2f的Bottleneck里插入一个EMA分支然后修改yaml文件中的模块配置。我自己试过把ECA塞进C2f里在垃圾数据集上mAP50-95大概涨了1到2个百分点代价是推理速度慢了约10%可以接受。另外还有一个常见的改进是替换下采样模块把普通的Conv下采样换成ADown。ADown是YOLOv9里提出的结构主要思路是在下采样时用平均池化和卷积并行提取特征再融合能减少信息丢失。改起来也不难在ultralytics的nn/modules/block.py里定义一个ADown类然后在yaml里把对应位置换成ADown就行。这类改进的本质就是让特征图在下采样过程中保留更多细节对小目标垃圾的检测有帮助。需要提醒的是改模型结构不是改完就万事大吉训练需要重新跑而且因为结构变了加载预训练权重时会出现部分层不匹配的情况需要把strict参数设为False只加载匹配的层。这个细节很多人忽略导致训练半天发现精度还不如原版。4.3 端侧小模型与速度优化的平衡垃圾分类最终如果要做成手机App或者嵌入式设备上的应用模型大小和推理速度就必须纳入考虑。YOLOv8官方提供了n/s/m/l/x五个尺寸从n到x精度递增、速度递减。手机上用的话yolov8n是最合适的量化成INT8后模型只有几MB推理一帧能在几十毫秒内完成。如果想主动压缩模型可以考虑剪枝和蒸馏。剪枝最简单的方式是通过结构化剪枝把通道数降下来但这个操作比较复杂需要自己写剪枝逻辑。蒸馏相对友好一些用yolov8l或者yolov8x当老师模型yolov8n当学生模型让学生模型学习老师模型的输出分布。在垃圾分类这类中等难度的任务上蒸馏后的n模型精度可以接近s模型但体积和速度优势明显。对于1660Ti训练的用户还有一个细节值得注意开启AMP混合精度训练能显著减少显存占用和训练时间Ultralytics默认就开着AMP开关不用额外配置。但有个别显卡驱动版本和AMP不兼容表现为loss出现NaN如果遇到这种情况把ampTrue改成ampFalse关掉就行。5. 模型导出与部署实践5.1 导出ONNX与嵌入式部署训练好的模型最终要落地。YOLOv8官方支持导出ONNX、TensorRT、OpenVINO、CoreML、TFLite等多种格式一条命令就能搞定。最常用的中间格式是ONNX因为绝大多数嵌入式平台的推理框架都支持转ONNX再转自家格式。导出ONNX的命令yolo export modelbest.pt formatonnx opset12 simplifyTrue这里simplifyTrue会用onnx-simplifier对模型进行简化去掉一些冗余算子。导出后建议用onnxruntime跑一遍验证输出是否正常避免导出出的模型算出来的结果和PyTorch原模型差太多。很多人关心YOLOv8的模型怎么输出成C语言格式其实走了弯路。一般在嵌入式平台上都是通过推理框架来调用比如瑞芯微RK3588上用RKNN-Toolkit把ONNX转成RKNN格式然后写C或者Python代码调用RKNN的API推理。直接输出C语言数组的形式适合没有NPU的裸机环境但实际项目里很少这样干。5.2 RK3588等嵌入式平台的迁移要点RK3588部署YOLOv8是目前特别火的方向因为它自带6 TOPS算力的NPU跑yolov8s可以做到实时。但部署过程有不少坑。最大的坑是RKNN-Toolkit对YOLOv8的支持版本问题。早期版本的RKNN-Toolkit不兼容YOLOv8的输出结构需要自己在模型里改动后来RKNN-Toolkit2更新到1.5以上版本才原生支持。所以在部署前一定要确认你用的RKNN-Toolkit版本版本太低的话识别结果全乱飘那不是模型的问题是转换工具的问题。另一个坑是量化。RKNN默认用INT8量化来换取速度但量化需要准备校准数据集一般从训练集里挑几百张有代表性的图片就够。校准数据选不好量化后的模型精度会断崖式下跌。我踩过这个坑第一次用全黑图片做校准量化后模型几乎瘫痪后来换成包含各类垃圾的200张图片精度才恢复正常。嵌入式端部署还有几个实际问题一是输入图像的预处理方式要保持和训练一致YOLOv8用的是letterbox加RGB归一化到0到1不能搞错二是输出的后处理模型输出的是一堆预测框信息需要做NMS非极大值抑制这部分在PC上用ultralytics自带方法就行但在嵌入式平台上要自己写或者用平台提供的NMS算子三是内存管理NPU推理时输入输出的Tensor格式和大小要提前分配好否则反复申请释放内存会导致帧率不稳。5.3 手机端的部署思路手机端部署YOLOv8主要包括Android端和iOS端。Android上常用NCNN或者MNN框架先把YOLOv8导出成ONNX再转成NCNN的格式。网上搜yolov8手机安装包能找到不少打包好的APK示例工程但直接跑别人的APK意义不大真正要做的是自己用Android Studio和NCNN编译一个检测App把YOLOv8模型集成进去。手机端需要注意的问题是算力限制。即便旗舰手机运行yolov8s的耗时也要在100毫秒以上yolov8n才能做到流畅。所以手机上一般用yolov8n加上INT8量化同时考虑NPU加速或者GPU加速。Android端的NCNN支持Vulkan GPU加速可以明显提升推理速度但需要自己配置好vulkan环境。我自己试过在骁龙888上跑yolov8n的INT8模型输入尺寸320单帧推理时间大概在30到50毫秒之间已经接近实时了。如果是做垃圾分类的演示App这个性能完全够用。6. 常见问题与排查技巧实录6.1 训练阶段的典型问题问题一训练时显存溢出OOM这是最常见的问题。如果1660Ti跑yolov8s batch 16直接OOM先把batch降到8试试还不行就用yolov8n。另外关闭cacheTrue参数这个参数会把图片缓存到显存加速读取但显存占用会大增以及把workers调低减少内存开销都是缓解办法。提示训练时如果看到一个Epoch突然卡住然后报CUDA out of memory不一定真的显存不够可能是数据加载worker进程占用了过多CPU内存导致的。把workers从8降到2问题往往能解决。问题二loss为NaNLoss变成NaN是训练中让人头大的问题。常见原因有两个一是学习率太高把lr0从0.01降到0.001二是AMP混合精度问题和驱动不兼容把amp关掉试试。还有个别情况是数据标注文件里有空框或者坐标越界比如框的坐标值大于图片尺寸或者出现负数这类数据会让模型计算损失时出问题排查时要检查所有txt标注文件确保每行都是有效的正数坐标。问题三训练完模型预测效果很差如果训练时mAP看着不错但自己拿照片测试时效果很差大概率是训练集和测试集的数据分布不一致。比如训练集里的垃圾图片都是白色背景单独摆放的测试时你拿厨房里杂物堆叠的照片去预测模型当然扛不住。解决方法是训练时增加数据增强的强度或者在数据集里掺入更多场景复杂的图片让模型见过更多世面。6.2 推理与部署阶段的典型问题问题一导出ONNX后推理结果不对导出的ONNX用onnxruntime推理出来的框和PyTorch原模型不一致最常见的坑是预处理不一致。YOLOv8训练时的预处理是letterbox缩放加归一化ONNX推理时你要用一模一样的预处理方式尤其是letterbox的填充值默认是114不能搞错。另外一个坑是推理后输出Tensor的解码方式YOLOv8输出的是一个1x84x8400的Tensor以80类为例需要做维度变换、阈值过滤和NMS很多人在这一步写错了索引导致结果错乱。问题二嵌入式平台推理速度慢NPU推理速度不达标最常见的原因是模型某些算子没有跑到NPU上而跑到CPU上了。RKNN-Toolkit在转换模型时会输出日志如果发现某些层的runtime是CPU而不是NPU就要检查该层是不是有不支持的算子。解决思路是把模型里的一些自定义模块替换成标准算子或者改模型结构避开不支持的层。还有一个常见原因是输入分辨率设得过大嵌入式场景下320到480的分辨率足够没必要硬上640。问题三类别ID对应错误这个问题在部署后尤为致命。模型输出的是类别ID比如0代表纸板你在后端写业务逻辑时把0对应成了玻璃那整个系统就全乱了。解决方法是部署时写好一个类别映射表用data.yaml里的类别顺序不要自己记一个顺序最好从配置文件中读取。6.3 数据标注阶段的避坑指南标注阶段的问题通常会延迟到训练和评估时才暴露排查成本极高。这里分享几个容易踩的坑。第一标注框要尽量贴合物体边缘。很多人标注垃圾时喜欢随手拉一个大框把物体周围的环境背景也框进去。这样做的后果是模型学到的是背景物体的组合特征一旦物体换了环境就识别不出来。正确做法是让边界框四边紧贴目标物体的边缘哪怕是物体的边缘有阴影或者反光也要坚持贴合实际轮廓。第二类别不平衡要提前处理。垃圾分类数据集中塑料瓶的图像数量可能远多于玻璃碎片或者有害垃圾。如果不处理模型对少样本类别的召回率会很低。解决方法是先统计每类的图片数量对少样本类别做数据增强复制比如水平翻转、旋转、亮度变化或者用在线数据增强让模型在每个epoch看到更多少样本类的变体。第三标注文件的命名要和图片文件严格对应。YOLO格式要求每张图片xxx.jpg对应一个xxx.txt如果命名不对训练时该图片会被当成无标注图片跳过白白浪费数据。检查方法很简单统计数据集里的标注文件数和图片文件数是否一致不一致的话就是有配对问题。第四不要一个人闷头标所有数据。如果条件允许找两三个人一起标然后交叉检查。每个标注者对物体边界在哪的理解不同个人风格会导致标注框尺度不一致这种噪声会直接影响回归头的收敛。交叉验证可以在标注阶段就过滤掉那些明显的错误框。6.4 时间成本与项目管理的心得最后聊点项目管理的经验。垃圾分类识别这类项目最耗时间的往往不是写代码和训练而是数据准备。我自己做的时候采集加标注大概用了两周训练和调参用了不到三天。所以如果你在赶时间千万别压缩数据准备的时间后续的坑全是从这里埋下的。合理安排流程的话我会建议第一天先配置环境并跑通一个yolov8n的官方预训练模型验证代码全链路通畅接下来一周专门做数据采集和标注标注完成后写数据转换脚本并做EDA探索性数据分析检查类别分布和标注质量然后再花两到三天训模型、调超参最后留一两天做部署和文档整理。这样排下来整个项目三周内能顺利交付。还有一点项目中所有实验要养成记录的习惯。比如训练时用了什么超参数、改了什么模型结构、验证集指标是多少全部记下来。不要觉得这是浪费时间当你面对十几个实验结果不知道选哪个时一份好的实验记录能帮你快速定位和复盘。我习惯在每次训练时把配置参数复制一份到notes里训练结束后把mAP截图和混淆矩阵也一起记录最后写报告时非常轻松。对于想再往上一步的读者你可以尝试把垃圾分类从检测扩展到实例分割YOLOv8-seg或者结合跟踪算法ByteTrack做一个视频流的实时分拣方案甚至可以把这个识别能力封装成API接入手淘的流水线。技术底座搭好后扩展的方向就完全看你自己的想象力了。本文还有配套的精品资源点击获取