生活垃圾可降解/不可降解分类目标检测数据集介绍｜适用于环保垃圾分类、智能分拣、循环经济与YOLO目标检测训练场景

前言

随着全球环保意识不断增强，垃圾分类与资源循环利用已经成为智慧城市建设和绿色低碳发展的核心方向。传统垃圾分类方式大多基于材质属性，例如塑料、玻璃、金属、纸张等类别进行划分，但这种分类方式在实际垃圾处理过程中，并不能完全满足垃圾降解处理、堆肥回收以及生态循环利用的需求。

近年来，围绕“碳中和”“循环经济”“绿色环保”等理念，越来越多的智能垃圾处理系统开始关注垃圾本身的降解特性。例如哪些垃圾能够通过微生物快速分解、哪些垃圾需要特殊降解条件、哪些垃圾长期无法自然降解等，这些因素直接影响垃圾处理流程、资源回收效率以及环境污染控制。

在人工智能与计算机视觉技术快速发展的背景下，基于深度学习的垃圾目标检测与分类算法，为智能垃圾识别提供了高效解决方案。而高质量、标准化、具备环保属性分类逻辑的数据集，则成为相关算法研发的重要基础。

本“生活垃圾可降解/不可降解分类目标检测数据集”正是在这一背景下构建而成。数据集不再单纯按照材质划分垃圾，而是从“降解能力”与“生态处理机制”角度进行分类，能够更好地适配智能环保、堆肥处理、生态垃圾回收等实际应用场景，为环保 AI 系统研发提供可靠的数据支撑。

数据集下载链接

通过网盘分享的文件：
链接: https://pan.baidu.com/s/1IfpCig_93jswUXnpgusD7w?pwd=vxku
提取码: vxku 复制这段内容后打开百度网盘手机App，操作更方便哦

---

一、数据集概述

本数据集专门面向：

• 生活垃圾降解特性识别
• 环保垃圾智能分类
• 目标检测模型训练
• 生态垃圾处理系统研发
• 智能堆肥分拣系统
• 循环经济视觉识别

等任务构建。

与传统垃圾分类数据集不同，本数据集重点关注垃圾在自然环境中的：

• 生物降解能力
• 自然分解特性
• 降解机制
• 降解时间尺度

能够有效支撑面向环保与资源循环利用方向的视觉算法研究。

数据集适配：

• YOLOv5
• YOLOv7
• YOLOv8
• YOLOv10
• YOLOv11
• Faster R-CNN
• SSD
• RT-DETR

等主流目标检测框架，可直接用于模型训练、验证与测试。

---

二、数据集背景

当前大量生活垃圾进入填埋场后，由于分类不精准、降解处理不合理，容易引发：

• 土壤污染
• 水源污染
• 微塑料扩散
• 温室气体排放
• 长期环境破坏

因此，越来越多国家开始推动：

• 可降解垃圾回收
• 厨余垃圾资源化
• 堆肥化处理
• 生物降解垃圾分离
• 不可降解垃圾专项回收

而这些应用场景，都需要视觉系统能够自动识别不同降解属性的垃圾目标。

传统基于材质的分类逻辑，无法很好满足生态处理需求。例如：

• 同为塑料，有些可堆肥，有些不可降解
• 部分纸制品具备快速生物降解能力
• 某些复合材料仅能物理降解

因此，本数据集采用“降解能力分类体系”，更加贴近环保与资源循环利用的实际需求。

---

三、数据集类别说明

本数据集共包含 4 个核心类别，分别对应不同的降解机制与环保属性。

具体类别如下：

类别名称	英文名称	类别说明
可生物降解垃圾	Biodegradable	可通过微生物自然分解的垃圾，例如食物残渣、果皮、纸张等
可降解垃圾	Degradable	可通过非生物或特定条件分解的垃圾，例如部分可降解塑料
不可生物降解垃圾	Non-Biodegradable	无法通过微生物分解，但可通过其他方式缓慢降解
不可降解垃圾	Non-Degradable	长期无法自然分解的垃圾，例如传统塑料、玻璃、金属等

---

类别划分逻辑说明

本数据集最大的特点，在于采用“降解机制”作为核心分类依据。

1、可生物降解垃圾（Biodegradable）

强调：

• 微生物作用
• 自然环境快速分解
• 可参与生态循环

典型目标包括：

• 果皮
• 菜叶
• 食物残渣
• 部分纸制品

适用于堆肥处理系统。

---

2、可降解垃圾（Degradable）

范围更广，不仅包括微生物降解，还包括：

• 光降解
• 热氧降解
• 化学降解

例如：

• 部分可降解塑料
• 环保包装材料

---

3、不可生物降解垃圾（Non-Biodegradable）

无法被微生物分解，但在长期环境作用下可能发生：

• 老化
• 破碎
• 化学分解

例如：

• 合成纤维
• 某些复合材料

---

4、不可降解垃圾（Non-Degradable）

长期难以自然降解，对环境污染影响较大，例如：

• 传统塑料
• 金属制品
• 玻璃
• 橡胶

属于重点回收与专项处理对象。

---

四、数据集结构说明

本数据集采用标准 YOLO 数据集目录结构，严格划分训练集、验证集与测试集。

目录结构如下：

train/images
valid/images
test/images

对应标签文件位于：

train/labels
valid/labels
test/labels

其中：

数据集类型	路径	用途
训练集	train/images	用于模型训练
验证集	valid/images	用于训练过程效果验证
测试集	test/images	用于模型最终性能评估

数据划分规范合理，可有效提升模型泛化能力。

---

五、数据标注格式

数据集采用标准 YOLO 边界框标注格式。

每张图像对应一个同名 .txt 文件。

格式如下：

class_id x_center y_center width height

其中：

字段	说明
class_id	类别编号
x_center	目标中心点 X 坐标
y_center	目标中心点 Y 坐标
width	目标宽度
height	目标高度

所有坐标均为：

• 归一化数值
• 范围在 0~1 之间

能够直接适配 YOLO 系列框架。

---

六、数据集图像特点

为了提升模型在真实环境中的适应能力，本数据集覆盖了大量复杂生活场景。

1、真实垃圾场景采集

图像来源包括：

• 家庭垃圾桶
• 社区垃圾点
• 厨余垃圾区域
• 户外垃圾收集场景
• 环保回收区域

真实度高，工程落地价值强。

---

2、多样化环境覆盖

包含：

• 白天光照
• 阴影区域
• 室内场景
• 户外复杂背景
• 多垃圾混杂场景

增强模型鲁棒性。

---

3、多目标复杂分布

支持：

• 单目标识别
• 多目标密集检测
• 遮挡情况
• 堆叠垃圾检测

提升复杂环境下的检测能力。

---

七、数据集核心优势

1、环保导向明确

区别于传统材质分类，更贴近：

• 堆肥处理
• 资源回收
• 碳中和应用

具有更强环保价值。

---

2、分类逻辑创新

采用“降解能力”分类体系，更符合生态垃圾处理需求。

---

3、标准化格式

兼容：

• YOLO
• Faster R-CNN
• SSD
• RT-DETR

等主流框架。

---

4、场景泛化能力强

复杂背景、多目标、真实垃圾场景，有助于训练高鲁棒性模型。

---

八、适用场景

本数据集可广泛应用于：

1、智能垃圾分类系统

实现基于降解属性的自动垃圾识别与分类。

---

2、堆肥处理厂自动分拣

自动筛选适合生物处理的垃圾目标。

---

3、环保教育系统

用于垃圾分类辅助教学与环保宣传。

---

4、智慧环保 AI 平台

支持生态垃圾监测与资源回收系统。

---

5、科研与教学

适用于：

• 目标检测实验
• YOLO 实战训练
• 深度学习课程
• 环保 AI 研究

等教学科研场景。

---

九、YOLO 使用示例

可直接通过 data.yaml 文件加载数据集：

path: dataset_root

train: train/images
val: valid/images
test: test/images

nc: 4

names:
  - Biodegradable
  - Degradable
  - Non-Biodegradable
  - Non-Degradable

完成配置后即可直接启动训练。

---

十、总结

本“生活垃圾可降解/不可降解分类目标检测数据集”是一套面向环保智能化与循环经济场景构建的高质量目标检测数据资源。数据集从垃圾降解能力与生态处理机制角度出发，创新性地建立了更加符合绿色环保需求的分类体系，能够有效支撑智能垃圾处理、堆肥分拣、生态回收与环保 AI 算法研发。

对于从事智慧环保、垃圾分类、计算机视觉与人工智能研究的开发者、科研人员及学生而言，本数据集具备较高的工程价值与科研价值，可显著降低数据采集与标注成本，加速环保智能视觉系统的研发与落地。