航拍地面垃圾检测数据集 | 垃圾检测 航拍巡检 环境治理 目标检测 YOLO格式9224期
数据集概述
本数据集专注于无人机航拍视角下的地面垃圾目标检测 ，服务于城市环境治理、垃圾巡查及智慧环卫。数据涵盖航拍视角下的散落垃圾，适配无人机自动巡检、垃圾堆放点识别及环境监控等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 1 类：垃圾 |
| 数量 | 1141 张图像 |
| 格式 | 图像为 JPG/PNG（分辨率 416×416 ）；同时提供 YOLO 、VOC 、COCO 三种标注格式 |
| 数据划分 | 训练集 799 张，验证集 228 张，测试集 114 张 |
| 应用价值 | 1. 垃圾巡查 ：支撑航拍视角下的地面垃圾自动巡查与识别。 2. 环境治理 ：辅助定位垃圾堆放点，指导环卫清理作业。 3. 无人机监控 ：为无人机自动巡检系统提供视觉识别能力。 4. 算法研发：为小目标检测、航拍图像识别等视觉任务提供真实场景的训练与评测数据。 |
完整类别列表（共1类）
| 序号 | 中文类别名称 | 包含该类图像数 | 标注数 |
|---|---|---|---|
| 1 | 垃圾 | 1141 | 4185 |
数据三要素解析
类别与目标覆盖
- 数据集定义 1 个核心类别：垃圾，聚焦单一目标，便于快速部署与高精度检测。
- 标注总数达 4185 个，平均每张图像约含 3.7 个垃圾目标，覆盖散落垃圾与小型堆放点。
- 垃圾在航拍图像中形态不规则，与周围地面、道路形成视觉差异。
数据规模与划分
- 图像总量约 1141 张，按约 70:20:10 比例划分为训练集（799张）、验证集（228张）与测试集（114张），划分规范。
- 图像分辨率统一为 416×416，适配轻量化模型训练与边缘设备部署。
- 同时提供 YOLO 、VOC 、COCO 三种通用标注格式，灵活适配不同检测框架。
配套资源与源码
- 附赠基于 YOLOv11n 训练的完整模型（训练80轮），可直接推理或作为迁移学习起点。
- 提供全部训练 + 测试源代码。
- 提供 PyQt5 可视化界面（含源码、.ui、.qrc、图标文件），支持图片、视频、摄像头实时检测，实时显示目标位置、总数、置信度等信息。
- 零基础用户可选用远程配置服务（包安装 CPU 版本环境），承诺包运行成功。
- 运行环境：Python=3.8、opencv-python、PyQt5、torch，支持 Windows、Linux 系统。
知识普及：航拍地面垃圾检测的技术要点
- 小目标与密集场景：航拍视角下，垃圾目标通常尺寸较小且可能密集分布，需采用多尺度特征融合策略。
- 形态不规则：垃圾无固定几何形状，边缘模糊，模型需具备较强的特征提取能力。
- 背景干扰：地面纹理、阴影、植被等可能与垃圾混淆，模型需依赖颜色与纹理特征进行区分。
- 光照与天气影响：航拍受光照、天气影响大，建议训练时加入亮度、对比度增强。
- 应用闭环 ：检测结果可结合GPS信息，生成垃圾分布图与清理工单，辅助环卫调度与城市环境管理。
快速开始（代码示例）
配置文件 data.yaml 示例：
yaml
train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test
nc: 1
names: ['垃圾']启动 YOLOv11n 训练：
python
from ultralytics import YOLO
model = YOLO('yolo11n.pt')
model.train(
data='data.yaml',
epochs=80,
imgsz=416,
batch=16,
device=0
)标签
垃圾检测 航拍巡检 环境治理 目标检测 YOLO格式 深度学习数据集 计算机视觉