27类餐厨垃圾4100张YOLO垃圾分类数据集分享

27类餐厨垃圾4100张YOLO垃圾分类数据集分享

这里先给做垃圾分类检测的朋友们分享一个硬核资源——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，已经按YOLO标准格式整理好了，可以直接拿来训练模型。

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

这个数据集是专门为餐厨垃圾智能分类与回收场景打造的，一共约

，覆盖了日常生活中常见的27种餐厨垃圾类别。从应用角度来看，它非常适合支撑深度学习目标检测模型的训练、验证和测试，可以落地到智慧环卫、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和资源化处理提供数据支撑。YOLO系列（v5/v8/v10/v11等）以及Faster R-CNN等主流算法都能直接上手。

随着垃圾分类政策不断推进，环保意识也在提升，用计算机视觉技术自动识别餐厨垃圾已经成了智慧环卫建设的关键一环。但餐厨垃圾检测有个难点——类别多、形态杂、容易遮挡和混合。这个数据集正是针对这些问题专门构建的，能为智能垃圾分类设备和厨余垃圾处理系统提供高质量的数据基础。

二、数据集基本信息

项目	内容
数据集名称	27类餐厨垃圾检测数据集
数据规模	约4100张高质量标注图像
任务类型	目标检测（Object Detection）
检测目标	27类餐厨垃圾
类别数量（nc）	27类
标注方式	Bounding Box目标框标注
数据格式	YOLO标准格式
数据来源	真实餐厨垃圾场景采集
数据划分	Train / Valid / Test
适配模型	YOLOv5、YOLOv8、YOLOv10、YOLOv11、Faster R-CNN等

三、数据集类别说明

这个数据集是典型的多类别目标检测任务，一共设置了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、蔬菜等等，覆盖面很广，类别划分也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

类别ID	类别名称	英文名称	类别说明
0	苹果核	apple_core	苹果果核及残余果肉
1	苹果皮	apple_peel	苹果削去的表皮
2	骨头	bone	畜禽类骨头
3	鱼骨	fish_bone	鱼类细骨及主刺
4	面包	bread	各类面包制品
5	馒头	steamed_bun	中式馒头及面点
6	水煮蛋	boiled_egg	带壳水煮蛋
7	炒鸡蛋	scrambled_egg	炒制鸡蛋制品
8	鸡蛋壳	egg_shell	蛋壳类厨余
9	蒸蛋	steamed_egg	蒸制蛋制品
10	蛋黄	egg_yolk	分离出的蛋黄
11	鱼肉	fish	鱼肉类食材残余
12	肉块	meat	畜禽肉类食材残余
13	面条	noodle	各类面条制品
14	橙子	orange	整颗橙子
15	橙子皮	orange_peel	橙子削去的表皮
16	其他垃圾	other_waste	不属上述类别的其他餐厨垃圾
17	煎饼	pancake	各类煎饼制品
18	意面	pasta	意大利面等西式面点
19	梨核	pear_core	梨果核及残余果肉
20	梨皮	pear_peel	梨削去的表皮
21	土豆	potato	土豆及薯类食材
22	米饭	rice	米饭及米制品残余
23	虾仁	shrimp	虾肉部分
24	虾壳	shrimp_shell	虾壳等甲壳类残余
25	豆腐	tofu	豆制品类
26	蔬菜	vegetable	各类蔬菜及菜叶残余

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，还有一个兜底的"其他垃圾"，可以说很完整了，能满足智能识别和分类的业务需求。

四、数据集结构说明

数据集采用标准的YOLO目录结构，已经按训练集、验证集、测试集划分好了，每个图像对应一个同名的.txt标注文件，导入目标检测框架就能直接用。

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

各个部分的作用很明确：

• train/images
  ：训练集图像，用来让模型学习特征、更新参数；

• valid/images
  ：验证集图像，用于调超参数、早停监控，防止过拟合；

• test/images
  ：测试集图像，最后评估模型的泛化能力。

标注文件是txt格式，每行格式为类别索引 x_center y_center width height，坐标都是归一化值，YOLO系列直接就能读。

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，还有不同餐后状态（剩余、混合、盛装容器内）以及不同丢弃方式（散落、打包、堆叠）。说白了，就是现实中有多乱，数据里就有多乱，这样训练出来的模型在实际部署时才不会水土不服。

2. 细粒度的类别覆盖

27类覆盖了主要来源，而且划分得很细致：

• 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

从单个食材到复合餐食的残余，基本都囊括了。

3. 多样化垃圾形态覆盖

餐厨垃圾的形态差异很大——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……这些差异在数据集中都有体现，能有效提升模型对多样形态的检测和泛化能力。

4. 高质量人工标注

所有图像都经过严格筛选和精细化标注：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，没有漏标，也没有类别混淆。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，已经按train/valid/test分好，下载下来直接就能导入框架开始训练，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，都能用得上。

六、适用场景

智能垃圾分类设备

给智能垃圾桶、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

这个数据集可以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

包含，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。