YOLO城市街道与室内环境垃圾桶目标检测数据集高数据量其他检测YOLO26 深度训练方案这套数据共 1663 张图标了 2 个类别垃圾桶检测测试2 - v1 2023-12-25 4-54pm。划分已经做好训练集 1453 张验证集 141 张测试集 69 张。标签给了 VOC 和 YOLO 两种格式data.yaml 里的路径也是配好的。下面按「数据长什么样 → 怎么训 → 怎么导出部署」的顺序过一遍训练命令、关键超参和导出示例都是能直接复制跑的。 数据集基本信息目标类别 [‘-’, ‘bin detection test2 - v1 2023-12-25 4-54pm’]中文类别[‘其他’, ‘垃圾桶检测测试2 - v1 2023-12-25 4-54pm’]训练集1453 张验证集141 张测试集69 张总计1663 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:2names:[-,bin detection test2 - v1 2023-12-25 4-54pm]️ 标注可视化数据集下载数据集下载⬇️⬇️⬇️ 点击下载数据集详细介绍YOLO城市街道与室内环境垃圾桶目标检测数据集聚焦于城市基础设施中的垃圾桶识别任务适用于智能城市管理、环卫自动化、以及基于视觉的环境监测等场景。该数据集覆盖了城市街道和室内环境中常见的垃圾桶类型能够支持对不同光照条件、背景复杂度及视角变化下的垃圾桶进行有效检测为开发具备环境感知能力的智能系统提供了基础数据支撑。数据集包含1663张高质量图像涵盖2个类别虽然具体类别名称未明确给出但从名称可推测可能包括“垃圾桶”和“其他非垃圾桶物体”或“不同类型的垃圾桶”。这种二分类结构适用于初步的目标检测研究也可作为多分类任务的扩展起点。图像来源多样覆盖不同的拍摄角度与环境条件有助于提升模型的泛化能力和鲁棒性尤其在实际部署中面对复杂现实场景时具有重要意义。标注规范方面数据集采用YOLO格式进行标注每个样本均包含边界框坐标和类别标签确保了标注的准确性与一致性。这种标准化的标注方式便于直接用于YOLO系列模型的训练与评估降低了数据预处理的复杂度提升了模型训练效率。同时清晰的标注也为后续的模型优化和性能分析提供了可靠依据。该数据集在实际应用中可用于开发智能垃圾管理监控系统、无人环卫设备的目标识别模块以及城市环境智能化改造项目。建议在训练过程中结合数据增强技术提升模型稳定性并根据具体应用场景调整类别定义以适应不同区域的垃圾桶特征。此外可进一步扩展类别数量以覆盖更多类型的废弃物收集设施从而增强数据集的适用范围与研究价值。YOLO26 目标检测算法原理YOLO26 的核心设计理念是「推理优先」——架构上做的所有减法去 NMS、去 DFL都是为了推理更快精度靠训练时的额外机制来弥补。端到端无 NMS 推理传统 YOLO 模型在推理后需要执行非极大值抑制NMS来去除冗余检测框这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一one-to-one检测头直接输出每张图像最多 300 个检测结果(N, 300, 6)完全省去 NMS 步骤推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。无 DFL 回归YOLO26 移除了分布焦点损失Distribution Focal Loss, DFL结构检测头更加轻量。边界框回归不再受限于预设的离散区间既降低了模型复杂度又保持了同等甚至更优的回归精度。Progressive Loss 与 STAL训练过程中通过渐进损失Progressive Loss将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配STAL策略特别提升小目标的正样本标签覆盖率改善小物体检测性能。MuSGD 混合优化器创新性地将大语言模型常用的 Muon 优化器与 SGD 结合实现更稳定高效的训练收敛。相比纯 SGDMuSGD 在大 batch 训练时收敛更快且不易震荡。模型尺度与 COCO 性能YOLO26 提供 N/S/M/L/X 五种尺度模型mAP50-95CPU ONNX(ms)T4 TensorRT(ms)参数量YOLO26n40.938.91.72.4MYOLO26s48.687.22.59.5MYOLO26m53.1220.04.720.4MYOLO26l55.0286.26.224.8MYOLO26x57.5525.811.855.7MNano 版本参数量仅 2.4MCPU 推理速度比 YOLO11n 快 43%适合边缘设备和小数据集X 版本 mAP 达 57.5适用于对准确率要求极高的场景。双头架构设计YOLO26 检测模型内置两个检测头——一对一默认无 NMS输出 300 个检测框和一对多需 NMS输出 8400 个候选框。训练时一对多头作为辅助监督信号加速收敛推理时默认使用一对一头实现端到端输出。YOLO26 支持全部七大视觉任务检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测OBB一个框架覆盖从 2D 检测到 3D 感知的完整需求。关键训练参数配置详解训练参数调对了一件事半功倍调错了折腾几天也出不了好结果。这里把每个关键参数的含义、默认值和推荐设置都列清楚了。参数默认值本项目设置含义model-yolo26n.pt预训练权重n/s/m/l/x 五种尺度epochs100120训练总轮数imgsz640416输入图像尺寸batch1632批次大小根据显存调整lr00.010.01初始学习率lrf0.010.01最终学习率因子lr0 × lrfmomentum0.9370.937SGD 动量weight_decay0.00050.0005权重衰减L2 正则化warmup_epochs3.03.0预热轮数warmup_momentum0.80.8预热期间动量初始值box7.57.5边界框回归损失权重cls0.50.5分类损失权重dfl1.51.5DFL 损失权重YOLO26 可置 0patience100100早停轮数cos_lrFalseTrue余弦学习率衰减close_mosaic1010最后 N 轮关闭 Mosaic 增强optimizerautoSGD优化器选择ampTrueTrue自动混合精度训练freezeNone0冻结前 N 层骨干网络参数dropout0.00.1分类头 Dropout 率防过拟合三个损失权重的分工box负责《框在哪》cls负责《框里是什么》dfl在 YOLO26 中可设 0 因为默认检测头已去掉 DFL。大部分场景保持默认比例即可除非有明确的偏好需求。学习率调参经验训练初期 loss 不下降 → 调大lr0或增加warmup_epochs训练后期 loss 震荡 → 降低lr0增大weight_decay验证集 loss 先降后升过拟合→ 增大dropout、weight_decay或减小epochs小数据集100张→lr00.001,weight_decay5e-4,dropout0.2大数据集1000张→lr00.01,weight_decay5e-4,batch32训练可视化与TensorBoardYOLO26 默认开启 TensorBoard 日志记录训练过程中可实时查看 loss 曲线和指标变化。在命令行执行tensorboard --logdir runs/detect/train即可打开 Web 看板每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。断点续训机制如果训练意外中断断电、OOM 等不用从头开始。YOLO 每轮保存last.pt恢复训练时指定modellast.pt并设置resumeTrue学习率和优化器状态都会从断点恢复训练曲线也和连续训练一样平滑。模型评估指标解读评估一个检测模型光看 mAP50 远远不够。mAP50-95、Precision、Recall 这三个数放一起看才能拼出完整画面。训练完成后YOLO26 训练器自动输出以下指标mAP50mAP0.5IoU 阈值为 0.5 时的平均精度均值反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。mAP50-95mAP0.5:0.95IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛反映精确定位能力是更具代表性的综合评价指标。Precision精确率检测结果中正确检测的比例。高 Precision 意味着虚警少。Recall召回率真实目标中被成功检测到的比例。高 Recall 意味着漏检少。F1 ScorePrecision 和 Recall 的调和平均数 2×P×R/(PR)综合衡量模型平衡性。Confusion Matrix混淆矩阵N×N 矩阵对角线为正确分类非对角线为误分类可定位类别间混淆情况。训练曲线分析train/box_loss单调下降 → 边界框回归正常收敛val/box_loss先降后升 → 过拟合风险应增大数据增强或减小模型metrics/mAP50(B)增长放缓趋于平稳 → 模型接近收敛上限train 持续降、val 持续升 → 严重过拟合建议减小模型或增大 dropout指标使用场景安全生产场景如安全帽检测→ 优先保证 Recall宁可多报不能漏报质检场景如缺陷检测→ 优先保证 Precision降低误检率减少人工复核量通用检测 → 均衡优化关注 mAP50-95 和 F1 ScorePR 曲线实战解读每张PR_curve.png里每个类别有一条不同颜色的曲线。不用盯着每个类看——先找出最差的那条最靠左下角的它代表你模型的弱项。加大那个类别的数据量或检查标注质量通常比调任何参数都见效。YOLO 系列算法演进史了解 YOLO 的发展脉络有助于理解为什么 YOLO26 的架构是这样设计的。每个大版本都不是孤立出现的而是对上一个版本痛点的回应。YOLOv1 (2015)将检测问题建模为单一回归问题直接在输出层预测边界框和类别概率。速度极快但定位精度较差。YOLOv2/YOLOv3 (2016-2018)引入 anchor box 机制、特征金字塔FPN和多尺度训练。YOLOv3 的 Darknet-53 骨干网络成为经典架构至今仍被广泛使用。YOLOv5 (2020)Ultralytics 在 PyTorch 上的实现带来了完善的训练框架、自动锚框聚类和数据增强 pipeline大幅降低了使用门槛。YOLOv8 (2023)统一了检测、分割、分类和关键点任务的框架引入 C2f 模块和无锚框anchor-free检测头。YOLOv9 (2024)提出 GELAN通用高效层聚合网络和 PGI可编程梯度信息同等参数量下精度提升显著。YOLOv10/YOLOv11 (2024)YOLOv10 首次提出无 NMS 端到端检测。YOLOv11 进一步优化骨干网络和训练策略在速度和精度之间取得新平衡。YOLO26 (2026)集历代之大成核心创新包括① 端到端无 NMS 一对一检测头 ② 无 DFL 的简化回归头 ③ Progressive Loss 渐进式监督转移 ④ STAL 小目标感知标签分配 ⑤ MuSGD 混合优化器。关键设计演进总结Anchor-based → Anchor-freev8 起C3 → C2f → C3k2骨干模块持续优化多任务统一框架v8 起NMS 后处理 → 无 NMS 端到端v10/v26单一损失函数 → 多任务联合损失Box Cls DFLv26 可去 DFLYOLO26 训练步骤详解从环境搭建到模型推理整个训练链路大概需要这些操作环境准备pipinstallultralytics yolo checks python-cimport torch; print(torch.cuda.is_available())命令行训练yolo detect traindatadata.yamlmodelyolo26n.ptepochs120imgsz416batch32device0lr00.01patience100cos_lrTrueclose_mosaic10Python API 训练fromultralyticsimportYOLO modelYOLO(yolo26n.pt)resultsmodel.train(datadata.yaml,epochs120,imgsz416,batch32,device0,lr00.01,patience100,cos_lrTrue,close_mosaic10,augmentTrue,ampTrue,workers8,)训练输出文件runs/detect/train/weights/best.pt验证集上 mAP 最高的权重runs/detect/train/weights/last.pt最后一轮保存的权重runs/detect/train/results.csv每轮 loss 和指标数据runs/detect/train/confusion_matrix.png混淆矩阵图runs/detect/train/results.png训练曲线图runs/detect/train/val_batch*_pred.jpg验证集预测效果图单张推理测试modelYOLO(runs/detect/train/weights/best.pt)resultsmodel(test_image.jpg)results[0].show()多 GPU 分布式训练yolo detect traindatadata.yamlmodelyolo26n.ptdevice0,1epochs100恢复中断的训练yolo detect trainmodelpath/to/last.ptdatadata.yamlresumeTrue部署与应用建议有了 1663 张图打底模型的底子已经比较扎实。部署时重点关注两个指标推理延迟P99 100ms和内存占用 500MB。modelYOLO(runs/detect/train/weights/best.pt)# NVIDIA GPU: TensorRT FP16model.export(formatengine,device0,halfTrue,workspace4)# 跨平台/纯 CPU: ONNXmodel.export(formatonnx,imgsz416)# Intel CPU: OpenVINO比 ONNX Runtime 快 15-30%model.export(formatopenvino,imgsz416)大规模部署架构如果需要在多台服务器上部署建议搭配 Triton Inference Server 做模型管理和负载均衡支持动态 batching 和模型版本热切换。YOLO26 的 ONNX/TensorRT 导出版本都可以直接接入 Triton 的模型仓库。训练的坑与填坑指南训了这么多次 YOLO我发现这规模的训练容易出现几个典型问题。第一个坑是 batch size 和 imgsz 的配合。中等数据集下 batch16 是个起点但如果显存够batch32 会让梯度估计更稳定。不要为了省显存把 imgsz 降太多——416 以下小目标检测容易翻车。第二个坑是验证集划分。自动 split 出来的验证集如果不做检查可能和训练集有大量重复特别是视频截帧数据集导致验证指标虚高。跑完 split 后随机抽 10 对 train/val 样本用肉眼看看有没有高度相似的。第三个坑是预训练权重的版本匹配。如果用的是yolo26n.pt但训练代码是旧版 YOLO加载权重时可能 silently fail部分层不匹配但不报错。训练前用model.info()确认所有层都正常加载了。训练注意事项一套数据集在 YOLO26 上能训到什么程度很大程度上取决于前期准备。以下是几个不依赖调参的提分方向。首先确认data.yaml里的路径和数据实际结构完全一致。不少训练失败的案例最后发现是路径映射错了模型在空目录上训练了一晚上。用yolo check datadata.yaml做一次预检能省掉很多心累。其次训练过程中打开 TensorBoardtensorboard --logdir runs/detect/train实时观看指标变化比事后看results.png高效得多。你能立刻发现某些参数设置不当导致的异常——比如 mAP 抖动剧烈、loss 突然飙升等。如果发现某个特定类别的 AP 始终上不去① 数一数该类最多有多少张样本少于 20 张的几乎注定 AP 低 ② 检查该类别的边界框标注——大框还是小框、遮挡标注是否完整 ③ 尝试减少其他类别的数量来平衡样本分布。这些比盲目调参管用。最后best.pt不一定真的是最优。有时候last.pt在真实场景下泛化能力反而更好因为 best 是按验证集 mAP 挑的验证集不一定代表真实分布。建议保存多个 epoch 的权重选出在实际场景下表现最好的。小结数据规模共 1663 张2 个类别垃圾桶检测测试2 - v1 2023-12-25 4-54pmtrain/val/test 已划分标签格式VOC YOLOdata.yaml 路径已配置下载入口在「标注可视化」一节起步建议先用 YOLO26n imgsz416 跑一轮基线看 mAP50 与 mAP50-95 的差距再决定提 imgsz 还是换更大模型如果你的拍摄条件和这套数据差别大先按文中的增强参数跑一轮再判断是该补数据还是该调模型——换大模型在数据量没跟上之前通常是负优化。