基于YOLOv11的水面垃圾智能检测系统

📖 项目背景

随着环保意识的日益增强，水体污染治理成为社会关注的焦点。传统的人工巡检方式效率低下，成本高昂。本项目基于深度学习技术，开发了一套智能化的水面垃圾检测系统，能够自动识别水面上的瓶子和罐子等垃圾，为环保部门提供高效的监测手段。

🎯 技术亮点

🔥 核心技术栈

• 深度学习框架: YOLOv11（最新版本）
• 检测精度: mAP50达到97.09%，mAP50-95达到76.42%
• 检测速度: 平均4.0 FPS，单张图片推理时间约0.25秒
• 检测类别: Bottle（瓶子）、Can（罐子）
• 数据集规模: 338张高质量标注图片

📊 性能表现

📈 模型性能指标：
✅ 精确率(Precision): 93.82%
✅ 召回率(Recall): 93.46%
✅ mAP50: 97.09%
✅ mAP50-95: 76.42%
✅ 检测成功率: 100%

🛠️ 核心代码解析

1. 数据预处理模块

def voc_to_yolo(xml_file, img_width, img_height, class_names):"""将VOC格式的标注转换为YOLO格式Args:xml_file: XML标注文件路径img_width: 图片宽度img_height: 图片高度class_names: 类别名称列表Returns:YOLO格式的标注列表"""tree = ET.parse(xml_file)root = tree.getroot()yolo_annotations = []for obj in root.findall('object'):class_name = obj.find('name').textif class_name not in class_names:continueclass_id = class_names.index(class_name)bbox = obj.find('bndbox')xmin = float(bbox.find('xmin').text)ymin = float(bbox.find('ymin').text)xmax = float(bbox.find('xmax').text)ymax = float(bbox.find('ymax').text)# 转换为YOLO格式 (中心点坐标 + 宽高比例)x_center = (xmin + xmax) / 2.0 / img_widthy_center = (ymin + ymax) / 2.0 / img_heightwidth = (xmax - xmin) / img_widthheight = (ymax - ymin) / img_heightyolo_annotations.append(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}")return yolo_annotations

2. 模型训练核心代码

def main():"""水面垃圾检测模型训练主函数"""print("🗑️ 水面垃圾检测训练开始")print("=" * 50)# 加载YOLOv11模型model = YOLO('models/yolo11n.pt')# 训练参数配置results = model.train(data='data/data.yaml',          # 数据集配置文件epochs=100,                     # 训练轮数imgsz=640,                      # 输入图像尺寸batch=16,                       # 批次大小device='0',                     # GPU设备workers=4,                      # 数据加载线程数cache=True,                     # 缓存数据集amp=False,                      # 混合精度训练project='garbage_results',      # 项目目录name=f'yolo11n_garbage_{datetime.now().strftime("%Y%m%d_%H%M%S")}',patience=20,                    # 早停耐心值save=True,                      # 保存检查点verbose=True,                   # 详细输出val=True,                       # 验证plots=True,                     # 生成图表# 数据增强参数（针对水面垃圾图像优化）hsv_h=0.015,                    # 色调增强hsv_s=0.7,                      # 饱和度增强hsv_v=0.4,                      # 明度增强degrees=10.0,                   # 旋转角度translate=0.1,                  # 平移比例scale=0.5,                      # 缩放比例flipud=0.0,                     # 垂直翻转fliplr=0.5,                     # 水平翻转mosaic=1.0,                     # 马赛克增强mixup=0.1,                      # 混合增强)print("\n🎉 水面垃圾检测训练完成！")return results

3. 智能检测推理代码

    for i, image_path in enumerate(test_images, 1):image_name = os.path.basename(image_path)print(f"\n📷 处理图片 {i}/{len(test_images)}: {image_name}")start_time = time.time()# 执行检测results = model(image_path, verbose=True)inference_time = time.time() - start_timetotal_inference_time += inference_time# 处理检测结果result = results[0]if len(result.boxes) > 0:detection_count += 1print(f"  ✅ 检测到 {len(result.boxes)} 个目标")# 显示检测到的类别和置信度for box in result.boxes:class_id = int(box.cls[0])confidence = float(box.conf[0])class_name = model.names[class_id]print(f"    - {class_name}: {confidence:.2f}")else:print("  ❌ 未检测到目标")print(f"  ⏱️ 推理时间: {inference_time:.3f}s")# 保存结果图片output_path = os.path.join(output_dir, f'result_{image_name}')result.save(output_path)print(f"  💾 结果已保存: {output_path}")

📈 训练过程可视化

训练损失曲线

从训练结果可以看出，模型在94个epoch后达到最佳性能：

🏆 最终训练结果：
- 训练时长: 0.124小时
- 最佳epoch: 74
- 最佳mAP50: 97.09%
- 最佳mAP50-95: 76.42%
- 早停机制: 20个epoch无改善后自动停止

精确率-召回率曲线

F1分数曲线

混淆矩阵

数据集标签分布

类别检测性能

📊 各类别检测精度：
🍼 Bottle（瓶子）:- Precision: 98.9%- Recall: 97.5%- mAP50: 99.1%- mAP50-95: 80.3%🥤 Can（罐子）:- Precision: 88.7%- Recall: 89.5%- mAP50: 95.0%- mAP50-95: 72.5%

训练样本展示

验证集预测对比

🎯 实际检测效果

检测示例

在实际测试中，系统对10张测试图片进行了检测：

📷 检测结果展示：
✅ 图片1: 检测到1个Bottle，置信度87%
✅ 图片2: 检测到1个Bottle，置信度89%
✅ 图片3: 检测到1个Bottle，置信度89%
✅ 图片4: 检测到1个Bottle，置信度88%
✅ 图片5: 检测到1个Bottle，置信度89%
...
📊 总体检测率: 100%
⚡ 平均推理速度: 4.0 FPS

检测结果图片展示

检测样例1-5

从上述检测结果可以看出：

• ✅ 检测精度高: 所有目标都被准确识别并标注
• ✅ 边界框精准: 检测框紧贴目标边界，定位准确
• ✅ 置信度稳定: 大部分检测置信度在85%-90%之间
• ✅ 适应性强: 能够适应不同光照、角度和背景环境

🚀 项目部署与应用

系统要求

# 环境配置
Python >= 3.8
PyTorch >= 1.8.0
CUDA >= 11.0 (GPU加速)
Ultralytics >= 8.0.0# 安装依赖
pip install ultralytics torch torchvision opencv-python

快速使用

# 1. 数据预处理
python prepare_dataset.py# 2. 模型训练
python train_garbage_detection.py# 3. 模型测试
python test_saved_model.py

🌟 技术创新点

1. 数据增强策略

针对水面环境的特殊性，采用了定制化的数据增强策略：

• 色彩增强: 适应不同光照条件下的水面环境
• 几何变换: 模拟不同角度的拍摄视角
• 马赛克增强: 提高小目标检测能力

2. 模型优化

• 轻量化设计: 使用YOLOv11n模型，参数量仅258万
• 实时检测: 平均推理时间0.25秒，满足实时监控需求
• 高精度: mAP50达到97.09%，确保检测准确性

3. 工程化实现

• 模块化设计: 数据处理、训练、测试模块独立
• 可视化输出: 提供丰富的训练过程可视化
• 易于部署: 支持GPU/CPU推理，适应不同硬件环境

🔮 应用前景

环保监测

• 河流湖泊监测: 实时监控水体垃圾污染情况
• 海洋保护: 海面垃圾自动识别与定位
• 城市水系: 城市河道垃圾智能巡检

智慧城市

• 无人机巡检: 结合无人机进行大范围水域监测
• 监控系统: 集成到现有视频监控系统
• 数据分析: 提供垃圾分布热力图和趋势分析

💡 总结与展望

本项目成功实现了基于YOLOv11的水面垃圾智能检测系统，具有以下优势：

✅ 高精度: mAP50达到97.09%，检测准确率高
✅ 高效率: 平均4.0 FPS，满足实时监控需求
✅ 易部署: 模块化设计，支持多种硬件平台
✅ 可扩展: 支持更多垃圾类别的扩展训练