水面5种垃圾目标检测数据集分享（适用于YOLO系列深度学习分类检测任务）
前言
您沿着河边散步时，映入眼帘的可能不是碧波荡漾的绿水青山，而是漂浮的塑料袋、易拉罐、矿泉水瓶——这些水面垃圾正成为水域环境监测最棘手的难题之一。尤其是在城市河道、自然湖泊和水库中，水面漂浮物不仅破坏生态平衡、污染水质，还会阻隔水流、破坏景观，甚至威胁水生生物的生存。
传统的人工巡检与打捞方式，本质上依赖人眼盯梢和船只作业，效率极低、成本高昂，且难以覆盖广阔水域。让一小队人员奔波一整日，可能连小型水库的边角都无法彻底巡查，更不必说实时监测与数据分析，那几乎是一种奢望。
近年来，计算机视觉与深度学习技术飞速发展，为水面垃圾自动检测提供了全新解决方案。基于图像识别的智能监测系统能够实时识别垃圾分类与分布情况，协助环保部门开展科学治理、数据分析乃至辅助决策。
为推动该方向的研究与应用，我们构建并公开了一套水面垃圾目标检测数据集——包含8000+张已标注图像，专为YOLO系列目标检测模型训练量身定制。本文将从数据集概述、背景意义、详细信息、应用场景到训练指南逐步拆解，方便研究者、开发者和环保领域专业人士快速上手。
一、数据集概述
1. 数据集基本信息
本数据集面向水体环境监测与漂浮垃圾智能识别场景——旨在训练和评估基于深度学习的目标检测模型（如YOLO、Faster R-CNN、SSD等）。数据涵盖河道、湖泊、水库等多种真实水域背景，场景丰富多样，实战价值显著。
核心特性如下：
- 数据规模：8000+张高质量水面图像
- 数据划分：
- 训练集（Train）：约6400张
- 验证集（Valid）：约800张
- 测试集（Test）：约800张
- 目标类别：5类（瓶子、易拉罐、纸盒、纸张、塑料制品）
- 标注类型：目标检测（Bounding Box）
- 标注格式：YOLO格式
- 适用模型：YOLO系列、Faster R-CNN、SSD、DETR等主流检测模型
2. 类别信息
| 类别ID | 英文类别名 | 中文含义 | 描述 |
|---|---|---|---|
| 0 | bottle | 瓶子 | 各种材质的瓶子，如塑料瓶、玻璃瓶等 |
| 1 | can | 易拉罐 | 金属易拉罐，如饮料罐、啤酒罐等 |
| 2 | carton | 纸盒 | 纸质包装盒，如牛奶盒、果汁盒等 |
| 3 | paper | 纸张 | 各种纸张，如报纸、纸巾、包装纸等 |
| 4 | plastic | 塑料制品 | 其他塑料制品，如塑料袋、塑料盒等 |
二、背景与意义
1. 水体污染的严重性
水体污染究竟有多严重？打个比方，水面垃圾如同水域的“毒瘤”，破坏生态平衡、恶化水质、毁掉景观，还暗藏安全隐患——垃圾大量堆积可能堵塞河道，大幅增加治理成本。具体危害包括：
- 生态破坏：漂浮垃圾扰乱水生生态链，直接影响水生物生存
- 水质恶化：垃圾分解产生有害物质，污染整片水体
- 景观破坏：谁都不愿看到公园湖面上漂着塑料瓶与泡沫箱
- 安全隐患：大堆垃圾可能堵住河道，引发内涝风险
- 经济损失：清理需要大量人力物力，治理成本直线飙升
2. 水面垃圾的来源
这些水面漂浮物从何而来？主要来源包括：生活污水带来的废弃物、工业废水排出的杂物、农业使用的塑料薄膜和农药包装、游客随手丢弃的包装袋，以及船舶作业时掉落的垃圾。每一种类型都难以有效应对。
3. 传统监测方法的局限
传统方法是什么？人工巡检、人工打捞——听起来简单，实际却问题重重：
- 效率低：人眼紧盯水面，一天最多监测几百米就疲惫不堪
- 成本高：需要专门人员、船只、设备投入
- 覆盖范围有限：大湖、大河根本难以全面巡查
- 实时性差：发现问题时，垃圾可能早已漂远
- 数据不完整：全靠手工记录，漏报、错报频发
4. AI技术的应用价值
AI技术恰好能够弥补这些短板。深度学习结合计算机视觉，让水面垃圾检测实现：
- 自动化检测：摄像头拍摄，模型自动识别，无需人员持续盯屏
- 高处理效率：每秒可处理数十帧图像
- 高精度：准确区分瓶子、易拉罐、纸张等不同垃圾类别
- 实时性：系统支持7×24小时在线监测
- 大范围覆盖：多台摄像头组网，能够覆盖整个水域
- 数据驱动：检测数据自动入库，用于分析与决策
本数据集的发布，正是推动AI技术在该领域落地的关键一步。
三、数据集详细信息
1. 数据采集
数据全部来源于真实水面环境，涵盖城市河道、乡村小河、自然湖泊、人工湖、饮用水水库、灌溉水库以及池塘和水渠。采集手法丰富多样——不同角度（正面、侧面、俯视）、不同距离（近、中、远）、不同天气（晴、阴、雨）、不同时段（早、中、晚、夜）。
这不是随意拍摄，而是专门考虑了各种光照条件与场景变化，让模型能够学习到更鲁棒的特征，避免换个环境就“翻车”。
2. 环境因素覆盖
为增强数据多样性，采集时特别应对了以下硬核挑战：
- 水面反光：强阳光下水面反光刺眼
- 水波干扰：风吹水动，垃圾形状飘忽不定
- 遮挡：垃圾相互叠压，部分目标被遮挡
- 背景复杂：与水草、倒影、泡沫混合难以分辨
- 水质差异：从清澈见底到浑浊发黄，各种情况均有收录
这些因素使数据集更贴近真实场景，训练出的模型也更“抗造”。
3. 数据标注
标注采用经典Bounding Box方式，由环保专家与计算机视觉专业人员共同完成，确保标注既专业又统一。标注格式采用YOLO标准格式：
class_id x_center y_center width height
示例：
0 0.462 0.587 0.1 0.15
所有坐标均已归一化（范围0~1），可直接喂给YOLOv5、YOLOv7、YOLOv8、YOLOv9、Faster R-CNN、SSD、DETR等模型，无需额外处理。
4. 数据结构
数据集目录结构严格遵循YOLO训练规范：
dataset/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels
YOLO数据配置文件：
train: train/imagesval: valid/imagestest: test/imagesnc: 5names: ['bottle', 'can', 'carton', 'paper', 'plastic']
拿到即可直接使用，省去格式转换的繁琐步骤。
5. 数据质量控制
在质量把控上，我们进行了多轮严格筛选：
- 图像清晰度筛选：模糊、分辨率低的图片直接淘汰
- 标注准确性复核：标注框必须精确覆盖垃圾区域
- 多样性检查：保证各类场景、环境因素的样本数量均衡
- 重复数据清理：删除内容相同或高度相似的图片
这些措施有效降低了噪声，为模型训练提供了干净的基础。
四、数据集应用流程
下面是典型的应用流程，从数据获取到模型部署：
