基于 YOLOv8 目标检测模型 PyQt6 桌面端应用的垃圾分类识别系统覆盖数据集构建、模型训练调优、系统集成开发的完整深度学习工程流程。开发日期2026年目录项目概述数据集说明深度学习开发流程训练参数训练指标与结果可视化图表说明系统功能技术栈项目结构启动教程项目概述本项目针对城市生活垃圾分类场景构建了一套端到端的 AI 识别系统目标检测模型基于 YOLOv8n 预训练权重进行迁移学习识别 44 种常见垃圾细类分类规则引擎将 44 个细类自动映射到「可回收物 / 厨余垃圾 / 有害垃圾 / 其他垃圾」四大类桌面端应用PyQt6 多功能检测界面支持图片、视频、摄像头三种输入源实时检测数据集说明基本信息项目内容标注格式YOLO TXT由 Pascal VOC XML 转换图像总数14,761张有效图像原始 14,964 张去除无图样本大类数量4类可回收物、厨余垃圾、有害垃圾、其他垃圾细类数量44类图像格式JPEG.jpg数据集划分train / val / test 7 : 1 : 2子集分布子集图片数量用途train10,319 张模型训练val1,478 张训练过程中的验证评估test2,964 张最终性能测试垃圾分类体系大类细类数代表细类可回收物26 类饮料瓶、易拉罐、纸盒纸箱、玻璃器皿、旧衣服、充电宝…厨余垃圾7 类剩饭剩菜、果皮果肉、菜帮菜叶、鱼骨、蛋壳…有害垃圾3 类干电池、过期药物、软膏其他垃圾8 类一次性快餐盒、烟蒂、陶瓷器皿、污损塑料…标注格式示例每张图片对应一个同名.txt文件每行一个目标框坐标均归一化到[0, 1]class_id x_center y_center width height 6 0.4106 0.4219 0.5962 0.3379深度学习开发流程第一阶段数据集构建与处理原始数据收集整合公开垃圾分类数据集原始标注格式为 Pascal VOC XML格式转换将 XML 标注批量转换为 YOLO TXT 格式class_id x_center y_center w h归一化坐标数据清洗剔除无有效标注框的样本14,964 → 14,761 张数据集划分按 7:1:2 比例随机划分训练/验证/测试集确保类别分布均衡分类规则构建编写classify_rule.json建立细类 → 大类的映射规则支持推理后的大类归并第二阶段模型训练与调优模型选型选择 YOLOv8nNano 版本作为基础架构参数量小、推理速度快适合桌面端部署迁移学习加载 COCO 预训练权重yolov8n.pt在垃圾数据集上进行微调加速收敛数据增强启用 Mosaic 拼接mosaic1.0、随机水平翻转fliplr0.5、HSV 色彩扰动、随机缩放等多种增强策略训练策略前 3 个 epoch 进行学习率 Warmup逐步从warmup_bias_lr0.1过渡到lr00.01后期采用余弦退火式线性衰减lrf0.01避免学习率过高导致振荡最后 10 个 epoch 关闭 Mosaic 增强close_mosaic10提升模型对真实样本的拟合能力混合精度训练启用 AMPampTrue降低显存占用提升训练吞吐结果保存自动保存最优权重best.pt和最终权重last.pt并记录完整训练日志results.csv第三阶段系统集成与功能开发检测器封装将 Ultralytics YOLO 推理接口封装为Detector类统一管理模型加载、参数配置和推理调用多线程架构视频和摄像头检测采用QThread异步处理检测线程与 UI 线程分离保证界面流畅历史记录持久化使用 SQLite 存储每次检测的结果支持按类型筛选和关键词搜索训练结果可视化读取results.csv使用 Matplotlib 绘制多维度分析图表嵌入 PyQt6 界面训练参数参数值说明基础模型yolov8n.ptCOCO 预训练 Nano 版本训练轮次100 epochs—批次大小16—输入尺寸640×640—初始学习率0.01lr0最终学习率0.01 × lrf 0.0001线性衰减至 lr0×lrfWarmup 轮次3.0—优化器autoSGD—动量0.937—权重衰减0.0005—Box Loss 权重7.5—Cls Loss 权重0.5—DFL Loss 权重1.5—IoU 阈值NMS0.7—混合精度AMP 开启—Mosaic 增强1.0后 10 epoch 关闭—水平翻转0.5—HSV 色调扰动0.015—HSV 饱和度扰动0.7—随机缩放0.5—自动增强randaugment—随机擦除0.4—总训练时长≈ 2.54 小时9,161 秒训练指标与结果核心指标基于验证集指标最优值Best Epoch最终值Epoch 100mAP0.50.6991Epoch 810.6971mAP0.5:0.950.5954Epoch 890.5981Precision0.7997Epoch 530.7564Recall0.6455Epoch 660.6270F1 Score≈ 0.714≈ 0.681损失曲线趋势损失项初始值Epoch 1最终值Epoch 100说明train/box_loss0.7600.419边界框回归损失下降 ≈ 45%train/cls_loss3.8710.562分类损失下降 ≈ 85.5%train/dfl_loss1.2941.032分布焦点损失val/box_loss0.8930.599验证集边界框损失val/cls_loss2.7171.090验证集分类损失训练集与验证集损失同步下降无明显过拟合现象模型具备良好的泛化能力。可视化图表说明系统内置两套可视化工具指标展示页内置图表图表名称含义训练/验证 Box Loss模型预测边界框与真实框之间的位置偏差值越低说明定位越准确训练/验证 Cls Loss类别分类的交叉熵损失值越低说明分类越准确训练/验证 DFL Loss分布焦点损失辅助边界框精细化回归mAP0.5** 曲线**IoU 阈值为 0.5 时的平均精度均值衡量整体检测性能mAP0.5:0.95 曲线在多个 IoU 阈值0.5~0.95下的综合性能要求更严格Precision 曲线精确率 正确检测数 / 总预测数反映误报率Recall 曲线召回率 正确检测数 / 真实目标数反映漏报率F1 分数曲线Precision 与 Recall 的调和平均综合衡量两者均衡性学习率衰减曲线展示 Warmup → 线性衰减的学习率变化过程综合性能雷达图将 mAP、Precision、Recall、F1、损失收敛度等多维指标以雷达形式可视化各指标对比柱状图汇总最优 epoch 的四项核心指标便于横向比较独立可视化脚本plot_results.py运行python plot_results.py后自动为每个训练指标生成独立 PNG 图片保存至runs/detect/train/charts/包含最优值标注。系统功能 登录注册用户名 密码登录支持注册新账号账号信息持久化存储于users.json️ 图片识别支持点击打开或拖拽导入图片JPG / PNG / BMP / WebP一键开始检测实时展示标注结果图统计摘要总检测数、类别数、平均 / 最高置信度类别分布表、详细检测数据表坐标 置信度置信度直方图分布支持导出标注图片、导出 CSV 结果文件 视频识别打开本地视频文件按帧间隔检测实时展示带标注的视频帧当前帧 / 累计检测统计可随时停止检测 摄像头识别支持多路摄像头切换索引 0~10检测开关分离可仅预览不检测实时统计目标数量、类别、置信度一键截图保存会话结果写入历史 检测历史图片 / 视频 / 摄像头检测记录自动入库SQLite支持按检测类型筛选、关键词搜索点击记录查看完整详情支持导出历史 CSV、一键清空⚙️ 模型管理自动加载默认权重runs/detect/train/weights/best.pt支持手动浏览指定任意.pt / .onnx模型文件可视化调节置信度阈值、IoU 阈值、最大检测数展示模型信息与 44 类别说明 指标展示训练曲线损失、mAP、Precision、Recall 全程变化指标汇总核心指标大字展示 柱状对比图综合分析7 维雷达图 学习率曲线 P/R/F1 三线对比技术栈类别技术 / 库深度学习框架PyTorch目标检测Ultralytics YOLOv8图像处理OpenCVcv2数值计算NumPy可视化MatplotlibQtAgg 后端桌面 UIPyQt6数据库SQLite3Python 内置开发语言Python 3.9项目结构垃圾分类检测/ ├── main.py # 程序入口 ├── plot_results.py # 独立指标可视化脚本 ├── requirements.txt # 依赖清单 ├── users.json # 用户账号自动生成 ├── detection_history.db # 检测历史数据库自动生成 │ ├── datasets/ # 数据集 │ ├── images/ │ │ ├── train/ # 训练图片10,319 张 │ │ ├── val/ # 验证图片1,478 张 │ │ └── test/ # 测试图片2,964 张 │ ├── labels/ │ │ ├── train/ # 训练标注YOLO TXT │ │ ├── val/ │ │ └── test/ │ ├── garbage.yaml # YOLO 训练配置 │ ├── classify_rule.json # 细类 → 大类映射规则 │ ├── train_classes.txt # 44 类名称列表 │ └── README.md # 数据集说明 │ ├── runs/ │ └── detect/ │ └── train/ │ ├── weights/ │ │ ├── best.pt # 最优模型权重系统默认加载 │ │ └── last.pt # 最终轮次权重 │ ├── results.csv # 训练指标日志100 轮 │ ├── args.yaml # 训练参数记录 │ └── charts/ # plot_results.py 输出图表 │ ├── utils/ # 工具层 │ ├── styles.py # 全局 QSS 样式 │ ├── db.py # SQLite 历史数据库操作 │ └── detector.py # YOLO 检测器封装 │ └── ui/ # 界面层 ├── widgets.py # 共享组件卡片、统计块、标题 ├── login_window.py # 登录 / 注册窗口 ├── main_window.py # 主窗口顶部导航栏 └── pages/ ├── image_page.py # 图片识别页 ├── video_page.py # 视频识别页 ├── camera_page.py # 摄像头识别页 ├── history_page.py # 检测历史页 ├── model_page.py # 模型管理页 └── metrics_page.py # 指标展示页启动教程环境准备Python 版本要求Python 3.9安装所有依赖pipinstall-rrequirements.txt如需 GPU 加速推理请提前安装与 CUDA 版本匹配的 PyTorch详见 pytorch.org准备模型权重将训练好的模型权重放置于runs/detect/train/weights/best.pt系统启动时将自动加载该路径的权重。也可以在运行后于「模型管理」页面手动指定其他权重文件。启动系统在项目根目录执行python main.py登录界面默认账号账号密码adminadmin123重新训练模型可选如需在自有数据集上重新训练在项目根目录执行yolo traindatadatasets/garbage.yamlmodelyolov8n.ptepochs100imgsz640batch16训练完成后将新权重路径在「模型管理」页面重新加载即可。生成独立指标图表python plot_results.py图表将保存至runs/detect/train/charts/每个指标对应一张 PNG 文件。本项目为个人原创结构清晰功能完整适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。作者原创项目地址michael-jay.pages.dev/projects.html