水面垃圾数据集
数据集核心信息
| 类别 | 数量（张） | 格式 | 核心应用价值 |
|---|---|---|---|
| 船、浮萍、渔业、漂浮物、污染、垃圾（共 6 类） | 900 | YOLO | 支持水面环境监测场景下的目标检测任务，为水面垃圾识别、环境质量评估及相关治理方案制定提供数据支撑，助力深度学习模型在水环境监测领域的开发与优化 |
数据三要素概述
1. 类别说明
数据集涵盖 6 个与水面环境相关的核心类别，具体包括船、浮萍、渔业、漂浮物、污染、垃圾。各类别划分精准，贴合水面环境监测的实际需求，能够全面覆盖水面常见的目标对象，可满足不同场景下对水面特定目标识别的需求。
2. 数量规模
数据集包含 900 张图像，图像数量规模能够为深度学习模型的训练提供充足的数据基础。足够的样本量可有效提升模型对各类别目标的学习效果，减少模型过拟合风险，保障模型在实际应用中的稳定性和可靠性。
3. 应用价值体现
。其一，可用于开发水面垃圾自动识别系统，实现对水面垃圾的快速、精准检测，降低人工监测成本；其二，为水环境质量评估提供数据支持，通过对水面各类目标的识别与统计，辅助判断水域污染状况；其三，助力相关科研工作开展，为研究水面目标检测算法、优化模型性能提供高质量的实验数据，推动水面环境监测技术的发展。
1
1
1
训练代码（YOLOv8 框架）
以下为适配该水面垃圾数据集的目标检测训练代码，基于 Ultralytics YOLOv8 实现，包含数据加载、模型训练、验证等核心环节。
- 环境准备
首先安装所需依赖库：
pip install ultralytics pandas numpy opencv-python
- 数据配置文件（data.yaml）
创建数据集配置文件，指定数据路径、类别数量及类别名称：
train: ./datasets/water_surface/train # 训练集图像路径
- 训练代码（train.py）
from ultralytics import YOLO
- 代码说明
模型选择：选用 YOLOv8n（轻量级模型），适合硬件资源有限的场景，若需更高精度可替换为 YOLOv8s、YOLOv8m 等更大规模模型。
数据增强：通过augment=True启用默认数据增强（如随机翻转、缩放、色域调整等），可减少过拟合，提升模型泛化能力。
早停机制：patience=10可避免无效训练，当验证集 mAP 连续 10 轮无提升时自动停止，节省训练时间。
指标输出：训练完成后输出验证集的 mAP@0.5 和 mAP@0.5:0.95 指标，用于评估模型检测精度。 - 运行步骤
将数据集按 YOLO 格式整理，分为 train（训练集）和 val（验证集）文件夹，每个文件夹下包含 images（图像文件）和 labels（标注文件）子文件夹。
配置data.yaml文件，确保路径与实际数据集路径一致。
运行train.py文件，开始模型训练，训练完成后在runs/detect/train目录下获取最佳模型。
