企业官网建设流程全解析

有一类研发任务是典型的“看着简单，落地磨人”，垃圾分类识别的目标检测系统就是。小区里摆四个桶，摄像头一挂，算法要认出面前飘过来的到底是塑料瓶还是外卖盒，还要在互相遮挡、逆光和快速经过的条件下给出准确的位置框。真正动手后会发现，单纯拿一个图像分类模型去压测，根本扛不住——因为画面里有多个目标，类别、尺度、位置全都要管。这也是我最终选择YOLOv8做改进基线的根本原因。下边我把这个项目从数据集整理、模型选型、网络改进、调参训练到RK3588边缘部署的完整流程复盘一遍，希望能给准备做相关毕设或落地项目的朋友一条能参考的路。

1. 为什么垃圾分类识别必须走目标检测这条路

1.1 从“整图分类”到“定位+识别”的差距

很多人面对垃圾分类项目时，第一反应是“图像识别”，然后想用ResNet、EfficientNet这类分类网络。但真实的小区监控或智能垃圾箱场景里，画面中出现的基本都是多个物体：一个纸箱、一个可乐瓶、一个外卖餐盒，外加上一团用过的纸巾。分类网络做全局平均池化时，会把全图信息压缩成一个向量，位置信息在池化层就丢掉了大部分。你给它一张图，它只能告诉你“这主要像什么”，不能告诉你“塑料瓶在哪”，更没法为后续的自动开门、分拣机构提供任何坐标参考。

目标检测的输出结构是“每个实例的类别 + 边界框”，比如“塑料瓶，置信度0.82，框中心在(430, 260)”。有了这个结构，上位机才知道该开哪一个桶盖，机械臂才知道往哪个方向抓取。垃圾分类一旦要落到软硬件联动，就绕不开目标检测这一环。

1.2 YOLOv8在候选方案里的位置

面对“垃圾识别”这个任务，常用的目标检测方案有不少，我在立项前简单对比过一轮，结论比较明确：两阶段的Faster R-CNN精度上限确实高，但RPN阶段会产生大量候选框，推理速度慢，部署到边缘设备后帧率往往只有个位数；SSD虽然单阶段速度快，但分类和回归共用同一组特征，对尺度变化剧烈的目标不太友好，而且作为较早的单阶段方案，它的特征融合能力也不如YOLO系列。

YOLOv8在这个项目里的优势可以拆成三点：

• Anchor-Free设计，后处理少，输出解析更简单，在板子上也能跑得动。
• 解耦头结构，把分类和边框回归分成两个分支，不会互相干扰。垃圾类别里有“形状接近但材质不同”的物体，比如纸盒和塑料盒，解耦头对这种情况更友好。
• 官方工具链完整，训练、验证、导出ONNX、TensorRT、RKNN都是同一条流程，减少了很多工程量。

我最终以YOLOv8s作为基线模型，而不是直接上YOLOv8l或YOLOv8x，原因也简单：硬件预算不高，训练显存有限，且后续要部署到边缘设备，轻量模型留出更多的网络改进余量。

1.3 这个项目的整体技术栈

整个项目的链路大概是这样：数据采集（真实环境摄像头截帧 + 公开数据集补充）-> 数据标注（LabelImg / X-AnyLabeling）-> 训练基线（Ultralytics YOLOv8s）-> 针对性改进（注意力模块 + 小目标检测头 + 损失函数调整）-> 评估（mAP、混淆矩阵、Bad Case分析）-> 部署（ONNX转RKNN，边缘板卡推理）。

如果你也是第一次做这类项目，建议先按这条链路跑通一遍再动手改进，不要在开局阶段就想着堆模块。一个能正确收敛的Baseline，比任何改进点都重要。

2. 生活垃圾数据集：公开资源、自建拍照与标注规范

2.1 先看看公开数据集能不能直接用

垃圾分类领域有一些公开数据集可以用，比如TACO、TrashNet，以及一些国内高校或企业发布的垃圾分类数据集。TACO的特点是环境很杂乱，都是街拍或自然场景里的垃圾，比较接近真实摄像头画面，但标注质量参差不齐，很多类别的框画得很潦草，有的小目标干脆漏标。TrashNet则只有玻璃、纸、纸板、塑料、金属、普通垃圾六类，每类几百到上千张，背景干净、拍摄台固定，适合快速验证算法流程，但要拿去做实际部署，泛化基本不行。

我的做法是“公开数据集打底，自建数据做补充”。比如TACO里的塑料瓶、易拉罐、纸箱，可以直接用，但要把质量差的标注筛掉；厨余垃圾这类形态复杂、容易腐败变质的对象，公开数据很少，必须自己去实际环境里拍。

2.2 自建采集：光线、角度、远近是硬指标

自建数据采集时，最容易被忽略的是“成像视角”要和部署视角一致。如果是打算装在智能垃圾箱顶盖上做俯视识别，训练数据里就不要全是手持手机平拍的图；如果是挂在桶口附近做水平检测，也别全用俯视图。

我建议按照下面几条标准来采：

• 每个类别至少收集300个标注框，类别越多，框数越要往上加。
• 场景要覆盖三种光照条件：白天自然光、傍晚弱光、夜间开闪光灯或补光灯。
• 目标尺度要有差异，同一类物体分别拍远景、近景、遮挡物下方漏出的局部。
• 优先用视频连续截帧的方式采集，每隔5帧存一张图，比一张张摆拍效率高很多。

另外，像玻璃瓶这种反光严重的物体，最好在不同角度多拍几组，不然训练出来的模型容易对高光区域产生过拟合，明明看到的是瓶身，框却画到反光点上去了。

2.3 标注环节的决定性问题

标注工具上，简单场景用LabelImg就行，它能直接输出YOLO格式的txt；如果你想要半自动标注，可以用X-AnyLabeling，它能用预训练模型先标一轮，人工再修正，能省不少时间。

标注规范比工具更重要，我踩过一次坑之后才把规则定下来：

• 框要尽量贴着可见主体，垃圾的边缘通常不清晰，不要为了“把阴影包进去”而画得过大。
• 小目标不要漏标。烟头、瓶盖、纸巾团这类几十像素的物体，人眼容易忽略，但模型一旦没见过，最后漏检的往往是它们。
• 严重遮挡且可见面积不到一半的目标，可以选择不标，否则会误导模型把“一块颜色”学成完整物体。
• 所有AI自动预标注的结果必须有人工二次检查，自动标注器容易在背景复杂的图上生成错误框。

标签格式用YOLO官方格式：每行class x_center y_center width height，坐标归一化到0~1。类别ID从0开始，必须和data.yaml里的names顺序一致。

2.4 数据增强与类别平衡必须提前想到

YOLOv8默认开启Mosaic、MixUp、HSV变化、随机翻转等增强，对大多数目标检测任务都够用。但垃圾数据有它的特殊性：

第一，玻璃瓶、易拉罐这类物体材质容易反光，过强的HSV色相变化会让颜色失真严重，可能导致模型把蓝瓶认成绿瓶。建议把hsv_h、hsv_s适当调小，保留材质纹理信息。

第二，Mosaic把四张图拼在一起，会生成很多边界处的假目标。模型在早期阶段靠Mosaic学习泛化特征没问题，但在训练最后10个epoch，最好设置close_mosaic=10，让模型回归到真实单图分布上去。

类别不平衡也要提前处理。厨余垃圾如果在画面里往往占很大面积，而烟头、电池永远是小框，模型天然会偏向大目标。策略是给稀有类别的图像做重复采样，或者把稀有类别多复制几份加入训练集。别用简单的类权重加权，实测下来对目标检测的提升不如“直接补数据”明显。

3. YOLOv8基线搭建：网络结构、配置文件和训练命令

3.1 网络结构的关键差异

YOLOv8的网络结构相比YOLOv5有几个值得注意的变化：

• Backbone部分用C2f模块替代了C3。C2f先把输入分成两支，每支分别通过若干Bottleneck，再拼接起来，这样的结构让不同层的梯度信息更容易流动，也更方便你后续插入注意力模块。
• Neck还是PAN-FPN结构，自顶向下传递强语义信息，再自底向上增强位置信息。
• Head改成了解耦头，分类分支和回归分支分开，各自用不同的卷积处理。
• 整体从Anchor-Based改成了Anchor-Free，每个特征图位置直接预测框的中心和宽高。

对垃圾识别来说，解耦头尤其重要。纸箱和外卖纸袋从形状上看几乎一样，区别主要在纹理和局部细节；解耦后分类分支可以更专注地学习材质差异，而不是被回归分支的边框变化干扰。

3.2 一份可命中的配置文件

先准备数据配置文件garbage.yaml：

path: /home/data/garbage_dataset train: images/train val: images/val nc: 5 names: - 'plastic_bottle' - 'cardboard' - 'metal_can' - 'food_waste' - 'other_trash'

这里的nc是类别数，names的顺序就是标签txt里class id对应的顺序，一旦训练后中途改名，之前的结果基本就废了。

训练命令建议这样写：

yolo detect train \ data=garbage.yaml \ model=yolov8s.pt \ epochs=120 \ batch=16 \ imgsz=640 \ device=0 \ optimizer=AdamW \ lr0=0.001 \ lrf=0.01 \ warmup_epochs=3 \ patience=30 \ close_mosaic=10

说说参数选择逻辑：

• model=yolov8s.pt是官方COCO预训练权重，用它做初始化，比从头训练收敛快得多。如果追求速度可以用yolov8n.pt，但这会给你后续改进留下比较少的上限空间。
• imgsz=640是平衡速度和精度的一个常规选择。垃圾里有大量小目标，降到480可能省显存，但瓶盖、烟头这类目标会明显变难检测。
• batch=16是我在单张8GB显存卡上的实测值，如果显存不够就降batch，不要硬撑。
• optimizer=AdamW配合lr0=0.001，对中小数据集很稳；如果用SGD，学习率一般要抬到0.01左右。
• patience=30表示验证集指标连续30个epoch不提升就早停。这只是保险，别指望它能替你判断模型好坏。

3.3 显存与训练参数的实际关联

经常有人问“GTX1660Ti这种6GB卡能不能跑YOLOv8”。我的回答是：能跑，但batch要老实一点。1660Ti跑yolov8s + imgsz=640 + batch=8是可以的，16张可能会显存溢出。如果你发现OOM，优先降batch，而不是降imgsz；imgsz降到480会让小目标质量下降，这是垃圾识别不能接受的。

环境配置上，用conda建一个Python 3.9环境，然后装ultralytics和对应版本的torch、torchvision即可。常见的坑有两个：一是torch版本和CUDA版本对不上，训练时虽然能启动但loss不下降；二是某些老版本ultralytics解析中文路径会出问题，干脆所有文件路径都别用中文。

4. 面向小目标、遮挡和复杂背景的YOLOv8改进实践

4.1 先想清楚基线模型到底“死”在哪

不要一上来就堆改进模块。先用刚才的Baseline训练一轮，然后跑验证集，你马上能看到这样一些典型问题：

• 远处的小物体，比如烟头、电池、瓶盖，大量漏检。
• 多个物体相互遮挡时，比如外卖餐盒旁边压着塑料袋，模型只检出一个。
• 高反光物体误检率高，玻璃瓶的高光区域会被当成独立目标。
• 厨余垃圾和湿纸巾、浅色塑料袋容易互相混淆，因为它们的颜色和纹理非常接近。

把这些现象记录下来，再决定改进方向。以我的项目为例，核心痛点是“小目标召回不足”和“遮挡场景下的分类错乱”，所以改进重点放在注意力机制和小目标检测头，而不是盲目加大Backbone。

4.2 改进方向一：往C2f里嵌入注意力模块

注意力机制里，我推荐先试Coordinate Attention（协调注意力）。它比SE注意力多了水平方向和垂直方向的位置编码，能够在小目标只有几十像素时，把微弱的位置响应保留下来。

插入位置我放在Backbone最后一个特征图进入Neck之前，也就是SPPF之前。原因是这里特征分辨率已经较低，注意力模块计算量可控，同时又能过滤掉大量背景噪声，让后续Neck拿到的特征更专注。

参考思路是写一个继承C2f的自定义模块，在C2f输出后接一个坐标注意力层：

class C2f_CA(nn.Module): def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5): super().__init__() self.c2f = C2f(c1, c2, n, shortcut, g, e) hidden = int(c2 * e) self.ca = PoolCoordAtt(hidden, hidden) def forward(self, x): return self.ca(self.c2f(x))

这段只是示意结构。实际使用需要把PoolCoordAtt按你的通道数对齐，并且在ultralytics/nn/tasks.py的parse_model里注册新模块，再在模型yaml中把对应的C2f换成C2f_CA。注册方式可以参考ultralytics源码里对自定义模块的注册逻辑。

改完之后我实测的情况是：小目标的召回率明显提升，尤其是瓶盖和电池这类极小的物体。但要注意，注意力模块会增加一层计算，FPS会掉一些，在消融实验里必须记录这个代价。

4.3 改进方向二：加小目标检测头

YOLOv8默认有三个检测头，特征图大小分别是80×80、40×40、20×20，对应stride 8、16、32。80×80其实已经不小了，但对只有15像素的烟头来说，还是不够。

加小目标检测头的思路是增加一个stride为4的检测头，让160×160的高分辨率特征图也参与预测。这个头需要从Backbone的更浅层拉特征，再通过额外的上采样和拼接操作融到Neck里。简单说，就是参照YOLOv5早期P2头的配置，在YOLOv8的yaml文件里再复制一组上采样和Concat操作，并把head输出从3组改成4组。

加完P2头之后，计算量和显存都有明显上涨。我在同样batch下，显存占用增加了约1.5GB，推理FPS下降了大概15%。但对垃圾场景来说，这个代价是可以接受的，因为小目标漏检带来的问题远比慢一点更严重。

4.4 改进方向三：换损失函数

YOLOv8默认的回归损失是CIoU加DFL。CIoU考虑了重叠面积、中心点距离和宽高比，已经很稳，但在垃圾场景里有个问题：大量目标被遮挡，标注框本身就不准，低质量样本会拖累训练。Wise-IoU（WIoU）的思路是对低质量样本做动态衰减，让它们的梯度贡献变小，典型如WIoU v3，对数据集里本身存在标注噪声、边界框质量参差的情况更友好。

替换位置在ultralytics/utils/loss.py中BboxLoss的iou计算部分。实际操作是把原来算CIoU的地方替换成WiseIoU的调用，然后重新训练。需要注意的是，调换损失函数之后，训练曲线前几十个epoch的loss数值会变化，不要拿新旧loss绝对值直接比，要看mAP最终结果。

这个改动单独加在我的对比实验里，mAP@0.5提升了1.2个百分点，mAP@0.5:0.95提升约0.8个百分点，不算特别夸张，但确实稳定有效。

4.5 消融实验别被“增加网络复杂度”带偏

我建议把所有改进按消融实验拆开，至少记录四组结果：Baseline、+CA、+P2、+WIoU、三种改进全加。每次都要记录参数量、mAP@0.5、mAP@0.5:0.95、推理FPS。这样你才能知道哪个改进是真有用的，哪个只是拖慢了速度。

从上表能看出，三个全加并不等于最好。P2头和CA同时上，计算量叠加，但精度不升反降。我最后选的是“CA + P2头”组合，因为垃圾识别瓶颈在小目标召回，WIoU带来的提升在可接受范围内，但为了精简部署，可以不带。做改进和做菜一样，不是调料越多越好，是要看你缺什么。

5. 训练实战：参数调节、损失曲线与失败模式排查

5.1 优化器和学习率怎么配合

训练阶段，优化器选择直接影响收敛速度。我是这样把握的：数据集中西关较强的场景多，标注相对规范，用AdamW能更快到达较好的收敛区；如果你觉得自己标注质量一般、噪声较大，SGD会更稳，不那么容易被个别异常样本带偏。

学习率策略上，lr0=0.001 + AdamW是我的起点。warmup至少3个epoch，让模型在训练初期不因过大的步长而跳飞。lrf=0.01意味着学习率最终衰减到初始值的1%，配合余弦退火，对训练后期精调很有帮助。

做过对比实验的话，记得所有消融实验都用同样的优化器、学习率和warmup，否则结果之间没有可比性。

5.2 解析训练日志里的损失曲线

训练过程中，你会在runs目录下看到train/box_loss、train/cls_loss、train/dfl_loss和对应的val损失曲线。很多人只知道看mAP，实际上损失曲线的形态能预示很多问题：

• train/box_loss持续下降、val/box_loss在某个epoch后回升，说明过拟合了，尤其是小数据集下极其常见。
• train/cls_loss下降很快，但val/cls_loss高位震荡，说明类别特征没有真正泛化，常见原因是某些类别样本过少。
• 在close_mosaic=10生效的那一个epoch，loss会出现一个小跳变，这是正常的，因为输入分布从拼接图切换回原始单图。
• 如果loss从第1个epoch开始就NaN，大概率是学习率太大或数据里有非法标签，优先检查标签路径和类别ID。

看损失曲线时要和mAP指标结合起来，不要只看单一指标。mAP可能在某个epoch后平缓上升，但box_loss还在下降，这意味着模型还在继续精修边框，值得多等几个epoch再早停。

5.3 显存不足时的实用对策

如果你是6GB、8GB显存的小卡，除了降batch，还有几个实用技巧：

• 启用AMP混合精度，Ultralytics默认开启，能省下不少显存。
• 把cache=False，别一次性把整份数据集缓存进显存，垃圾数据集图像分辨率高，缓存很容易爆。
• 实在不行就降imgsz到544或480，但必须评估小目标mAP的损失。如果你想两全，可以训练过程用640，最后的精细调优阶段用544再跑20个epoch，算是一种折中。
• 推理阶段的大图裁剪：如果部署摄像头是1080P甚至4K，不要直接把整张图resize到640，把原图切块、重叠一部分，每块单独推理，再用NMS合并结果。垃圾箱的投递口本来就很集中，切块推理完全够用。

5.4 训练失败案例分析

我整理过几个非常典型的踩坑案例：

一是mAP一直是0。排查了一圈，发现是标注txt里某几个class id超出了nc范围，精度直接崩掉。后来写了个脚本检查每个txt的最大类别ID，才把脏数据洗出来。

二是loss正常下降但F1始终很低。最后发现训练集里“glass”类被标注成了“plastic_bottle”的后面相邻ID，两个类别标签错位了，模型把玻璃瓶全部识别成了塑料瓶。

三是某个类别AP特别差，比如“paper_cup”。原因非常简单，训练集中它只出现了50个框，而“cardboard”有2000个框。数据不平衡的问题，用损失函数权重救不了根本，老老实实补数据最有效。

所以训练阶段最好的习惯是：每轮实验保留配置文件、训练命令和结果截图，建立一张“实验对照表”，后面复盘时效率能提升好几倍。

6. 结果评估：指标、可视化与分析报告

6.1 评价指标解读

对目标检测模型，最常用的两个指标是mAP@0.5和mAP@0.5:0.95。mAP@0.5表示IoU阈值0.5下的平均精度，更在乎“检没检到”；mAP@0.5:0.95是在多个IoU阈值下取平均，更严格，也更考验边框精度。

垃圾识别场景里，我认为mAP@0.5到90%以上是可以接受的水平，mAP@0.5:0.95能做到70%左右，说明框的相对位置已经比较准。如果只有前者好看，后者上不去，大概率是很多框虽然“先验上对了”，但位置偏移比较大，需要回头检查回归损失和后处理。

PR曲线和F1曲线也别忽略。F1曲线会告诉你置信度阈值设多少合适。垃圾箱联动场景里，我一般把置信度阈值调到0.5以上，低于这个值宁可漏检，也好过误检导致桶门乱开。

6.2 按类别拆解“难检垃圾”

评估时一定要看每个类别的AP，而不是只看整体。我从自己的项目里观察到几个规律：

• 可回收物里的玻璃瓶最难检，原因是高反光导致表面颜色不稳定，有时阴影环境里看起来就是一团黑。
• 厨余垃圾类内差异极大，米饭、菜叶、肉骨头、果皮的形态完全不同，模型容易把其中一类学偏。
• 有害垃圾里的电池、灯泡往往尺寸很小，在640分辨率下往往只有十几个像素，P2头对这个提升最明显。
• 纸类和塑料类的混淆集中在“纸碗 vs 塑料碗”这种颜色接近、形状一致的场景，单纯靠视觉特征很难完全区分，后期需要结合其他传感器或投递口场景信息。

把类别AP排个序，最差的三个类别就是后续补数据的首要目标。

6.3 Bad Case分析

训练结束后，我会专门跑一遍预测，把置信度阈值分别设为0.3、0.5、0.7，把误检和漏检结果单独存到一个文件夹，按原因分类：

• 标注错误型：小物体漏标导致模型学到错误关联，这是最坑的，需要回头修标注。
• 遮挡型：两个目标重叠严重，模型只能检出一个，需要靠候选框合并策略或更高分辨率的输入缓解。
• 低光型：夜间场景大量漏检，这种问题调参没用，只能补夜间图像或者做亮度增强。
• 类别接近型：模型把塑料袋当成餐盒，这种情况要看混淆矩阵确认哪些类别对最容易混，然后针对性地增加区分度高的负样本。

做Bad Case分析时，一个常见误区是看到误检就赶紧加正则、提阈值，其实大多数Bad Case的本质是训练数据分布没覆盖到真实场景。回补数据比调参重要得多。

7. 部署到边缘设备和完整识别联动

7.1 模型导出与格式转换

训练好的best.pt要部署，第一步通常是导出ONNX：

yolo export model=best.pt format=onnx opset=12 imgsz=640 simplify=True

simplify=True会让导出过程做一次模型简化，减少冗余算子，同时对一些图优化不友好的结构做修正。如果你在导出时卡住，优先检查opset版本，老版本torch和opset 17以上有时会因为算子兼容问题报错。

导出之后验证ONNX和Pytorch输出的差异，确保同一张图的检测框基本一致。我见过有人跳过这步，结果部署模型精度大幅下降，到排查才发现ONNX里某个算子的输出数据排布和Pytorch不一致。

7.2 RK3588边缘部署流程

如果你像我一样想把系统放到边缘盒子或智能垃圾箱上，RK3588是个常见选择。它自带NPU，算力够跑改进后的YOLOv8s，部署流程大概是：

1. 在PC上安装rknn-toolkit2，准备ONNX模型。
2. 准备量化校准图片集，从训练集里抽200~500张有代表性的图即可。
3. 加载ONNX，配置target_platform='rk3588'，做int8量化，导出rknn模型。
4. 把rknn模型拷贝到板子，用官方推理库加载并进行预处理、推理、后处理。

需要注意，RKNN对算子的支持并不是全兼容。C2f、SPPF这类常见结构一般没问题，但注意力模块里的某些permute/reshape操作，或者一些自定义算子，在转换时可能会报不支持。遇到这种情况，可以先不量化，用fp16试试，确认是量化精度问题还是算子兼容问题，再决定是要改模型结构还是改预处理逻辑。

int8量化后精度可能掉1%~5%，对垃圾识别来说，只要关键类别不误判，这个损失可以接受。最好在板端重新跑一遍验证集mAP，而不是只看PC上fp32的效果。

7.3 从检测到分类投递的整合建议

部署到智能垃圾箱后，检测模型只是中间一环。我自己整合时的流程是：摄像头读取帧 -> 图像预处理（letterbox缩放）-> RKNN推理 -> 后处理得到框和类别 -> 选择中心点离投递口最近的目标 -> 判断置信度和连续帧去抖 -> 触发对应垃圾桶的电机动作 -> 语音提示分类结果。

这里有三个细节值得注意：

第一，多个目标同时出现在画面里时，只处理“负责区域”内的目标。投递口通常对应画面中间一块区域，框中心不在这个区域内的目标不要触发，否则人还没放下瓶子，旁边的盒子先被识别了，桶门就会乱动。

第二，要设置连续帧去抖。不能某帧识别成可回收物，下一帧识别成其他垃圾就用不同类别触发，需要使用一个滑窗，连续3~5帧都识别成同一类别时才执行动作。

第三，夜间场景要额外加补光或做图像增强。RK3588跑增强算法会占用额外算力，建议预先评估，或者干脆用红外补光灯物理改善画面，比在后处理里加算法更可靠。

整个项目跑通后，我最大的感觉是：技术链路本身已经非常成熟，真正费时间的是数据质量和评估习惯。公开数据集、开源框架、边缘部署工具全都在那里，把每一轮实验记录清楚，不迷信“多堆模块”，而是针对自己的场景做减法，项目就能顺畅落地。如果后面还要继续扩展，我会优先做半自动标注和增量学习，因为真实场景里每天都会出现没见过的垃圾形态，光靠一次性训练，覆盖范围终究有限。