道路垃圾识别数据集 含pt模型&界面 18类 共7542张图片，xml和txt标签都有；

道路垃圾识别数据集 含pt模型&界面 18类 共7542张图片，xml和txt标签都有；

YOLO道路垃圾识别系统

系统概述

名称：YOLO道路垃圾识别系统

图片数量 ：7542张
标注格式 ：XML和TXT（支持YOLO格式）
类别 ：Plastic Bottle, Face Mask, PaperBag, Plastic Cup, Paper Cup, Cardboard, Peel, Cans, Plastic Wrapper, Paperboard, Styrofoam, Tetra Pack, Colored Glass Bottles, Plastic Bag, Rags, Pile of Leaves, Glass Bottle
组件 ：数据集、预训练模型（.pt文件）、可视化界面
用途：用于路面垃圾识别，垃圾检测，目标检测，适用于Python环境下的机器学习、深度学习项目，特别适合使用YOLO进行目标检测。

数据集特点

• 规模：包含7542张高分辨率图像，每张图像都带有详细的标注信息。
• 多样性：图像涵盖了不同的光照条件、天气状况、背景环境以及垃圾种类，以确保模型能够适应多样的实际场景。
• 标注质量：每张图像都有精确的手动标注，确保了高质量的训练数据。
• 标注格式 ：
  • VOC格式 (XML)：符合Pascal VOC标准的XML文件，包含了图像的基本信息、对象类别以及边界框坐标。
  • YOLO格式 (TXT) ：每个目标用一个文本行表示，格式为 class_id x_center y_center width height，所有坐标值都是归一化的。

标注信息

• VOC格式：

  <annotation>
      <folder>images</folder>
      <filename>image_0001.jpg</filename>
      <size>
          <width>800</width>
          <height>600</height>
          <depth>3</depth>
      </size>
      <object>
          <name>Plastic Bottle</name>
          <bndbox>
              <xmin>200</xmin>
              <ymin>100</ymin>
              <xmax>300</xmax>
              <ymax>200</ymax>
          </bndbox>
      </object>
      <object>
          <name>Face Mask</name>
          <bndbox>
              <xmin>400</xmin>
              <ymin>200</ymin>
              <xmax>500</xmax>
              <ymax>300</ymax>
          </bndbox>
      </object>
  </annotation>
  

• YOLO格式：

  0 0.25 0.1667 0.125 0.1667
  1 0.5 0.3333 0.125 0.1667
  

  解释：0 表示塑料瓶，1 表示口罩。x_center 和 y_center 是边界框中心点的归一化坐标，width 和 height 是边界框的宽度和高度的归一化值。

应用领域

• 城市清洁：自动检测道路上的垃圾，帮助环卫工人高效清理。
• 环境保护：监测公共区域的垃圾分布情况，提高环保意识。
• 智能监控：结合视频监控系统，实时检测并报告垃圾情况。
• 自动驾驶：辅助自动驾驶车辆识别路面上的障碍物，提高行驶安全性。

获取方式

通常情况下，研究人员可以通过官方提供的链接或相关机构网站下载该数据集。请注意，使用时应遵循相应的许可协议和引用要求。

关键代码示例

1. 下载数据集

假设我们已经有了数据集的下载链接，可以使用 Python 的 requests 库来下载数据集：

import requests
import os

# 定义下载链接和保存路径
url = 'http://example.com/path/to/road_litter_dataset.zip'  # 替换为实际的下载链接
save_path = './road_litter_dataset.zip'

# 检查是否已经下载过
if not os.path.exists(save_path):
    print("Downloading dataset...")
    response = requests.get(url, stream=True)
    with open(save_path, 'wb') as f:
        for chunk in response.iter_content(chunk_size=8192):
            if chunk:
                f.write(chunk)
    print("Download complete.")
else:
    print("Dataset already exists.")

# 解压数据集
import zipfile
with zipfile.ZipFile(save_path, 'r') as zip_ref:
    zip_ref.extractall('./road_litter_dataset')

2. 解析 VOC 格式的标注文件

以下是一个解析 VOC 格式标注文件的函数：

import xml.etree.ElementTree as ET

def parse_voc_annotation(anno_file):
    tree = ET.parse(anno_file)
    root = tree.getroot()
    
    annotations = []
    for obj in root.findall('object'):
        name = obj.find('name').text
        bndbox = obj.find('bndbox')
        xmin = int(bndbox.find('xmin').text)
        ymin = int(bndbox.find('ymin').text)
        xmax = int(bndbox.find('xmax').text)
        ymax = int(bndbox.find('ymax').text)
        
        annotations.append({
            'class_name': name,
            'bbox': [xmin, ymin, xmax, ymax]
        })
    
    return annotations

3. 加载图像并显示标注框

我们可以使用 OpenCV 来加载图像，并使用 Matplotlib 来显示图像及其标注框：

import cv2
import matplotlib.pyplot as plt

def load_image(image_path):
    return cv2.imread(image_path)

def display_image_with_annotations(image, annotations):
    fig, ax = plt.subplots()
    ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
    for anno in annotations:
        bbox = anno['bbox']
        rect = plt.Rectangle((bbox[0], bbox[1]), bbox[2] - bbox[0], bbox[3] - bbox[1],
                             fill=False, edgecolor='red', linewidth=2)
        ax.add_patch(rect)
    plt.show()

# 示例用法
image_path = './road_litter_dataset/images/image_0001.jpg'
anno_path = './road_litter_dataset/annotations/image_0001.xml'

image = load_image(image_path)
annotations = parse_voc_annotation(anno_path)
display_image_with_annotations(image, annotations)

4. 使用数据集进行训练

如果您打算使用这个数据集进行深度学习模型的训练，可以使用 PyTorch 或 TensorFlow 等框架。以下是一个简单的 PyTorch DataLoader 示例：

import torch
from torch.utils.data import Dataset, DataLoader
from PIL import Image
import numpy as np

class RoadLitterDataset(Dataset):
    def __init__(self, image_dir, anno_dir, transform=None):
        self.image_dir = image_dir
        self.anno_dir = anno_dir
        self.transform = transform
        self.images = os.listdir(image_dir)

    def __len__(self):
        return len(self.images)

    def __getitem__(self, idx):
        img_name = self.images[idx]
        image = Image.open(os.path.join(self.image_dir, img_name)).convert("RGB")
        anno_name = img_name.replace('.jpg', '.xml')
        anno_path = os.path.join(self.anno_dir, anno_name)
        annotations = parse_voc_annotation(anno_path)
        
        if self.transform:
            image = self.transform(image)
        
        return image, annotations

# 创建 DataLoader
dataset = RoadLitterDataset(image_dir='./road_litter_dataset/images',
                            anno_dir='./road_litter_dataset/annotations')
dataloader = DataLoader(dataset, batch_size=4, shuffle=True, num_workers=2)

# 遍历数据
for images, annotations in dataloader:
    # 在这里进行模型训练
    pass

YOLO模型训练

为了使用YOLO进行道路垃圾识别，您可以使用预训练的YOLO模型，并对其进行微调。以下是一个简单的YOLOv5训练示例：

1. 安装YOLOv5：深色版本

   train: ./road_litter_dataset/train/images
   val: ./road_litter_dataset/val/images
   nc: 17  # 类别数
   names: ['Plastic Bottle', 'Face Mask', 'PaperBag', 'Plastic Cup', 'Paper Cup', 'Cardboard', 'Peel', 'Cans', 'Plastic Wrapper', 'Paperboard', 'Styrofoam', 'Tetra Pack', 'Colored Glass Bottles', 'Plastic Bag', 'Rags', 'Pile of Leaves', 'Glass Bottle']  # 类别名称

3. 训练模型： 使用YOLOv5进行训练：

   python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt
   

4. 评估模型： 训练完成后，可以使用验证集进行评估：

   bash

   深色版本

   python val.py --data data.yaml --weights runs/train/exp/weights/best.pt
   

5. 推理测试： 使用训练好的模型进行推理测试：

   python detect.py --source ./road_litter_dataset/test/images --weights runs/train/exp/weights/best.pt --conf 0.4
   

可视化界面

为了提供一个用户友好的界面，您可以使用 Streamlit 或 Flask 等工具来构建一个简单的Web应用程序。以下是一个使用 Streamlit 的示例：

1. 安装 Streamlit：

   pip install streamlit
   

2. 创建 Streamlit 应用程序：

   import streamlit as st
   from PIL import Image
   import torch
   from yolov5.models.experimental import attempt_load
   from yolov5.utils.general import non_max_suppression
   from yolov5.utils.plots import plot_one_box
   import cv2
   
   # 设置标题
   st.title("YOLO道路垃圾识别系统")
   
   # 上传图片
   uploaded_file = st.file_uploader("选择一张图片", type=["jpg", "jpeg", "png"])
   
   # 加载预训练模型
   model = attempt_load('runs/train/exp/weights/best.pt', map_location=torch.device('cpu'))  # 假设模型在CPU上运行
   model.eval()
   
   if uploaded_file is not None:
       # 读取并显示图片
       image = Image.open(uploaded_file)
       st.image(image, caption="上传的图片", use_column_width=True)
   
       # 图像预处理
       img = image.convert('RGB')
       img = np.array(img)
       img = cv2.resize(img, (640, 640))  # 调整大小以匹配模型输入
       img = img[:, :, ::-1].transpose(2, 0, 1)  # BGR to RGB, HWC to CHW
       img = np.ascontiguousarray(img)
       img = torch.from_numpy(img).to(torch.device('cpu'))
       img = img.float() / 255.0  # 归一化
       if img.ndimension() == 3:
           img = img.unsqueeze(0)
   
       # 进行推理
       with torch.no_grad():
           pred = model(img)[0]
           pred = non_max_suppression(pred, 0.4, 0.5)
   
       # 绘制结果
       for i, det in enumerate(pred):  # detections per image
           if len(det):
               for *xyxy, conf, cls in reversed(det):
                   label = f'{model.names[int(cls)]} {conf:.2f}'
                   plot_one_box(xyxy, img, label=label, color=(0, 255, 0), line_thickness=3)
   
       # 显示结果
       result_image = Image.fromarray(cv2.cvtColor(img.squeeze().permute(1, 2, 0).numpy(), cv2.COLOR_RGB2BGR))
       st.image(result_image, caption="检测结果", use_column_width=True)
   

3. 运行 Streamlit 应用程序：

   streamlit run app.py
   

通过上述步骤，您将拥有一个完整的YOLO道路垃圾识别系统，包括数据集、预训练模型和用户友好的可视化界面。希望这些代码能帮助您更好地利用该系统！