27类餐厨垃圾4100张YOLO垃圾分类数据集分享

这里先给从事垃圾分类检测研究的朋友们分享一份硬核资源——一个覆盖27类餐厨垃圾、包含约4100张高质量标注图像的数据集，已按YOLO标准格式整理完毕，可直接用于模型训练。

数据集源码分享

链接: https://pan.baidu.com/s/15LtdXHnegOeCLKlxYfF57A?pwd=wha2
提取码: wha2

一、数据集概述

这份数据集专为餐厨垃圾智能分类与回收场景打造，总共约4100张高质量标注图像，覆盖了日常生活中常见的27种餐厨垃圾类别。从应用角度看，它非常适合支撑深度学习目标检测模型的训练、验证与测试，可落地到智慧环卫、厨余垃圾处理、智能分类回收等实际场景中，为生活垃圾的智能化分类与资源化处理提供数据基础。YOLO系列（v5/v8/v10/v11等）以及Faster R-CNN等主流算法均可直接使用。

随着垃圾分类政策持续推进，环保意识不断提升，利用计算机视觉技术自动识别餐厨垃圾已成为智慧环卫建设的关键环节。但餐厨垃圾检测面临不少挑战——类别繁多、形态复杂、容易遮挡与混合。本数据集正是针对这些痛点专门构建，能够为智能垃圾分类设备与厨余垃圾处理系统提供高质量的数据支撑。

二、数据集基本信息

三、数据集类别说明

该数据集属于典型的多类别目标检测任务，共设27个检测类别。从可食用的食材残渣到果皮果核、骨头鱼骨、蛋奶制品、主食面点、虾蟹水产、蔬菜等，覆盖范围广泛，类别划分贴合实际垃圾分类场景的需求。

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个类别基本覆盖了餐厨垃圾的主要来源——水果类、主食类、蛋类、肉类、水产类、豆制品类、蔬菜类，并设有一个兜底的“其他垃圾”，整体较为完整，能够满足智能识别与分类的业务需求。

四、数据集结构说明

数据集采用标准的YOLO目录结构，已按训练集、验证集、测试集划分完毕，每张图像对应一个同名的.txt标注文件，导入目标检测框架即可直接使用。

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

各个部分的作用非常明确：

• train/images：训练集图像，用于让模型学习特征、更新参数；
• valid/images：验证集图像，用于超参数调优、早停监控，防止过拟合；
• test/images：测试集图像，最终评估模型的泛化能力。

标注文件为txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化数值，YOLO系列可直接读取。

五、数据集核心优势

1. 真实餐厨垃圾场景采集

数据全部来自真实餐厨垃圾场景，涵盖家庭日常厨余、餐饮企业后厨、单位食堂与餐厅，以及不同餐后状态（剩余、混合、盛装容器内）和不同丢弃方式（散落、打包、堆叠）。简单来说，现实中有多复杂，数据里就有多丰富，这样训练出来的模型在实际部署时才能更好适应环境。

2. 细粒度的类别覆盖

27类覆盖了主要来源，且划分非常细致：

• 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

从单一食材到复合餐食的残余，基本都已囊括。

3. 多样化垃圾形态覆盖

餐厨垃圾的形态差异较大——完整食材与食用后残余、生鲜状态与烹饪后状态、单独存在与互相混合、干性垃圾与湿性垃圾、固体残渣与半流体……这些差异在数据集中均有体现，能有效提升模型对多样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：标注框精准贴合目标轮廓，27类判别标准统一清晰，混合垃圾场景下独立标注，无漏标、无类别混淆。这一点对模型训练质量至关重要。

5. 即用型数据组织

标准YOLO格式，已按train/valid/test分好，下载后直接导入框架即可开始训练，省去二次整理的麻烦。

6. 适配轻量化与高精度模型

数据规模适中（4100张），类别丰富，既适合轻量化工业部署模型，也适合高精度科研模型训练。无论是智慧环卫项目落地、科研实验，还是系统开发、模型训练实训，都能派上用场。

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，自动识别和分类预处理，提高处理效率。

智慧环卫管理平台

作为核心视觉模块，实现垃圾成分分析与分类数据统计。

餐饮企业垃圾管理

在后厨自动分类统计餐厨垃圾，辅助垃圾减量与资源化利用。

垃圾分类宣传教育

作为科普教育的技术支撑，帮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

该数据集可广泛用于以下研究领域：

• 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。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，类别精细、场景真实、标注精准。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。