27类餐厨垃圾检测数据集 | 4100张YOLO垃圾分类数据集

在垃圾分类的落地实践中，餐厨垃圾的识别与分类始终是最大难点——种类繁多、形态复杂、且经常混合在一起。要让智能设备准确区分“苹果核”与“梨核”，或识别“水煮蛋”与“炒鸡蛋”，高质量的数据集是不可或缺的基础。本数据集正是针对这一痛点场景专门构建的。

一、数据集概述

本数据集面向餐厨垃圾智能化分类与回收场景，总计包含约4100张高质量标注图像，覆盖日常生活中常见的27种餐厨垃圾类别。该数据集旨在为深度学习目标检测模型的训练、验证与测试提供支撑，可广泛应用于智慧环卫、厨余垃圾处理、智能分类回收等实际落地场景，为生活垃圾的智能化分类与资源化处理提供数据基础，适用于YOLO系列等主流目标检测算法的训练、验证与测试。

随着垃圾分类政策的持续推进以及公众环保意识的增强，利用计算机视觉技术实现餐厨垃圾的自动识别与分类，已成为推动智慧环卫建设、提升垃圾资源化利用率的关键手段。本数据集针对餐厨垃圾检测场景中类别繁多、形态各异、遮挡混杂等问题进行专项构建，可为智能垃圾分类设备与厨余垃圾处理系统提供高质量数据支撑。

二、数据集基本信息

三、数据集类别说明

本数据集为多类别目标检测数据集，共设置27个检测类别，涵盖日常生活中常见的餐厨垃圾，包括可食用部分、果皮果核、骨头鱼骨、蛋奶制品、主食面点、虾蟹水产以及蔬菜等，类别划分贴合实际垃圾分类场景需求。

类别配置

nc: 27

names:
  - apple_core
  - apple_peel
  - bone
  - fish_bone
  - bread
  - steamed_bun
  - boiled_egg
  - scrambled_egg
  - egg_shell
  - steamed_egg
  - egg_yolk
  - fish
  - meat
  - noodle
  - orange
  - orange_peel
  - other_waste
  - pancake
  - pasta
  - pear_core
  - pear_peel
  - potato
  - rice
  - shrimp
  - shrimp_shell
  - tofu
  - vegetable

类别详情

27个类别覆盖了餐厨垃圾的主要来源，包括水果类、主食类、蛋类、肉类、水产类、豆制品类及蔬菜类等，能够满足餐厨垃圾智能识别与分类的业务需求。

四、数据集结构说明

数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，每个图像对应一个同名的.txt标注文件，可直接导入各类目标检测框架。

database/
└── 27类餐厨垃圾检测数据集
    ├── train
    │   └── images
    ├── valid
    │   └── images
    └── test
        └── images

各数据集作用如下：

• train/images：训练集图像，用于模型参数学习与特征提取；
• valid/images：验证集图像，用于超参数调优、早停监控及防止过拟合；
• test/images：测试集图像，用于最终模型性能评估与泛化能力测试。

标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，可直接适配YOLO系列等目标检测框架。

五、数据集核心优势

1. 真实餐厨垃圾场景采集

所有数据均来源于真实餐厨垃圾场景，涵盖日常生活及餐饮行业产生的各类厨余废弃物，真实反映餐厨垃圾智能分类的实际应用环境，具有高度的工程实用价值。

覆盖场景包括：

• 家庭日常生活厨余
• 餐饮企业后厨
• 单位食堂与餐厅
• 不同餐后状态（剩余、混合、盛装容器内）
• 不同丢弃方式（散落、打包、堆叠）

能够有效提升模型在实际部署中的表现。

2. 细粒度的类别覆盖

27类餐厨垃圾全面覆盖主要来源类别，类别划分精细科学：

• 水果类：苹果核/皮、橙子/皮、梨核/皮等
• 主食类：面包、馒头、面条、米饭、煎饼、意面等
• 蛋类：水煮蛋、炒鸡蛋、鸡蛋壳、蒸蛋、蛋黄等
• 肉类：肉块、鱼肉、鱼骨、骨头等
• 水产类：虾仁、虾壳等
• 豆制品类：豆腐等
• 蔬菜类：蔬菜等
• 兜底类：其他垃圾

覆盖从单个食材到复合餐食的完整餐厨垃圾谱系。

3. 多样化垃圾形态覆盖

不同餐厨垃圾在形态、颜色、质地、混合程度上存在显著差异：

• 完整食材 vs 食用后残余
• 生鲜状态 vs 烹饪后状态
• 单独存在 vs 互相混合
• 干性垃圾 vs 湿性垃圾
• 固体残渣 vs 半流体

有助于提升模型对多样化垃圾形态的检测与泛化能力。

4. 高质量人工标注

所有图像均经过严格筛选与精细化标注：

• 标注框精准贴合垃圾目标轮廓
• 27类垃圾判别标准统一清晰
• 混合垃圾场景下的独立标注处理
• 无漏标现象
• 无类别混淆

有效保证模型训练质量。

5. 即用型数据组织

采用标准YOLO格式组织，已按train/valid/test划分，无需二次整理即可直接导入各类目标检测框架，快速投入模型训练、调优与评估。

6. 适配轻量化与高精度模型

数据规模适中、类别丰富，既适配轻量化工业部署模型，也支持高精度科研模型训练，适用于智慧环卫项目落地、科研实验、系统开发及模型训练实训等场景。

六、适用场景

智能垃圾分类设备

为智能垃圾桶、垃圾分类机器人提供视觉识别能力，实现餐厨垃圾的自动分类与分拣。

厨余垃圾处理系统

在厨余垃圾处理厂或中转站实现垃圾自动识别与分类预处理，提高处理效率。

智慧环卫管理平台

作为智慧环卫系统的核心视觉模块，实现垃圾成分分析与分类数据统计。

餐饮企业垃圾管理

在餐饮企业后厨实现餐厨垃圾的自动分类统计，辅助垃圾减量与资源化利用。

垃圾分类宣传教育

作为垃圾分类科普教育的技术支撑，辅助公众学习厨余垃圾分类知识。

环保数据分析

基于垃圾类别识别结果，分析餐厨垃圾成分构成，为城市环保管理提供数据支撑。

七、适用研究方向

本数据集可广泛应用于以下研究领域：

• 多类别目标检测研究（27类）
• 细粒度目标检测与分类研究
• 餐厨垃圾自动识别与分类研究
• 智慧环卫与环保视觉研究
• 复杂场景目标检测研究
• YOLO系列模型优化研究
• 轻量化检测模型与边缘部署研究
• 域适应与跨场景泛化研究
• 垃圾分类与资源化利用研究
• 数据增强与类别不平衡研究

八、总结

27类餐厨垃圾检测数据集包含约4100张高质量标注图像，采用标准YOLO格式构建，专注于餐厨垃圾的检测与分类任务。数据集覆盖苹果核、苹果皮、骨头、鱼骨、面包、馒头、水煮蛋、炒鸡蛋、鸡蛋壳、蒸蛋、蛋黄、鱼肉、肉块、面条、橙子、橙子皮、其他垃圾、煎饼、意面、梨核、梨皮、土豆、米饭、虾仁、虾壳、豆腐、蔬菜等27类核心类别，具有类别精细、场景真实、标注精准等特点，可广泛应用于智能垃圾分类、厨余垃圾处理、智慧环卫管理等领域，是开展餐厨垃圾智能识别算法研发与环保智能系统建设的优质数据资源。