共计 2856 个字符，预计需要花费 8 分钟才能阅读完成。
背景痛点：为什么我们需要更好的标注数据集
在垃圾分类检测任务中，数据质量直接影响模型性能。现有的公开数据集普遍存在以下问题：
- 类别不平衡 ：可回收物样本远多于有害垃圾，导致模型对少数类识别率低
- 标注不一致 ：不同标注人员对 ” 破碎垃圾 ” 是否算独立物体存在分歧
- 边界模糊 ：厨余垃圾常因粘连导致标注框包含背景（如塑料袋）
我们通过 YOLO 格式标注解决这些问题，其优势在于：
- 标准化归一化坐标，便于跨数据集训练
- 文本格式轻量，适合嵌入式设备部署
- 支持矩形框旋转（对倾斜垃圾箱场景重要）
工具对比：主流标注工具横评
LabelImg
- 优点：
- 本地运行无需联网
- 快捷键操作流畅
-
支持 YOLO/PascalVOC 格式导出
-
缺点：
- 无团队协作功能
- 无法处理视频帧
CVAT
- 优点：
- 支持视频逐帧标注
- 内置智能分割工具
-
可分配标注任务给团队成员
-
缺点：
- 需要部署服务器
- 学习曲线较陡
Roboflow
- 优点：
- 在线协同标注
- 内置数据增强流水线
-
支持自动标注建议
-
缺点：
- 免费版有导出次数限制
- 需上传数据到云端
推荐方案 ：小型团队选用 LabelImg+Git 版本控制，企业级项目用 CVAT
标注规范：六类垃圾标注细则
类别定义
class_names = [
'recyclable', # 可回收物（如易拉罐）'hazardous', # 有害垃圾（如电池）'kitchen', # 厨余垃圾（如菜叶）'other', # 其他垃圾（如纸巾）'electronic', # 电子废弃物（如手机）'textile' # 纺织物（如旧衣服）]关键规则
- 遮挡处理 ：
- 可见部分 >50%：标完整物体
-
可见部分 <50%：不标注
-
多物体策略 ：
- 粘连垃圾：按物理分隔标注多个框
-
套装物品（如盒装牛奶）：外包装和内容物分开标注
-
边界判定 ：
- 带液体的垃圾：标注到容器边缘
- 松散垃圾（如碎纸）：整体视为一个对象
代码实现：从标注到校验全流程
格式转换脚本
import json
import os
def coco2yolo(json_path, output_dir):
"""将 COCO 格式转换为 YOLO 格式"""
with open(json_path) as f:
data = json.load(f)
# 创建类别 ID 映射
cat_id_map = {cat['id']: i for i, cat in enumerate(data['categories'])}
for img in data['images']:
img_id = img['id']
img_w, img_h = img['width'], img['height']
# 筛选当前图片的标注
anns = [a for a in data['annotations'] if a['image_id'] == img_id]
# 生成 YOLO 格式文本
txt_content = []
for ann in anns:
x, y, w, h = ann['bbox']
x_center = (x + w/2) / img_w
y_center = (y + h/2) / img_h
w_norm = w / img_w
h_norm = h / img_h
class_id = cat_id_map[ann['category_id']]
txt_content.append(f"{class_id} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}")
# 写入文件
txt_path = os.path.join(output_dir, f"{img['file_name'].split('.')[0]}.txt")
with open(txt_path, 'w') as f:
f.write('\n'.join(txt_content))质量校验方法
import cv2
import matplotlib.pyplot as plt
def visualize_annotations(img_path, txt_path):
"""可视化标注框检查错漏"""
img = cv2.imread(img_path)
h, w = img.shape[:2]
with open(txt_path) as f:
lines = f.readlines()
for line in lines:
class_id, xc, yc, bw, bh = map(float, line.strip().split())
# 转换回像素坐标
x1 = int((xc - bw/2) * w)
y1 = int((yc - bh/2) * h)
x2 = int((xc + bw/2) * w)
y2 = int((yc + bh/2) * h)
# 绘制矩形框
color = (0, 255, 0) if class_id == 0 else (0, 0, 255)
cv2.rectangle(img, (x1, y1), (x2, y2), color, 2)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.show()数据分布分析
from collections import Counter
import seaborn as sns
def plot_class_distribution(annotations_dir):
"""绘制类别分布直方图"""
class_counts = Counter()
for txt_file in os.listdir(annotations_dir):
with open(os.path.join(annotations_dir, txt_file)) as f:
for line in f:
class_id = int(line.split()[0])
class_counts[class_id] += 1
sns.barplot(x=list(class_counts.keys()),
y=list(class_counts.values())
)
plt.xlabel('Class ID')
plt.ylabel('Count')
plt.title('Class Distribution')
plt.show()避坑指南：典型错误案例
案例 1：破碎物体标注
错误做法 ：将打碎的玻璃瓶标注为多个小物体
正确做法 ：视为一个整体标注，添加 ”broken” 属性标签
案例 2：透视变形处理
错误做法 ：直接标注倾斜垃圾袋的视觉外轮廓
正确做法 ：估计袋口平面后标注直立状态下的矩形
案例 3：阴影误标
错误做法 ：将物体阴影包含在标注框内
正确做法 ：仅标注实体部分，可通过 HSV 色彩空间分离
性能优化：数据增强策略
实验对比不同增强方法对 mAP 的影响：
- 基础增强 （翻转 + 色变）：mAP@0.5=0.73
- Mosaic 增强 ：提升小物体检测，mAP@0.5=0.81
- CutMix 增强 ：改善类别不平衡，mAP@0.5=0.79
推荐组合策略：
# data_aug.yaml
train:
mosaic: 0.8 # 80% 概率启用
mixup: 0.2
hsv_h: 0.015
hsv_s: 0.7
hsv_v: 0.4
degrees: 10.0
translate: 0.1开放问题
如何处理垃圾分类中的细粒度子类（如 PET 塑料瓶 vs.PP 塑料盒）？可以考虑：
– 二级分类网络
– 多标签标注体系
– 材质识别辅助模块
期待读者在实践中探索更多解决方案。
正文完
