基于YOLOv8的可回收塑料识别分类检测系统（YOLOv8深度学习+YOLO数据集+UI界面+Python项目源码+模型）

一、项目介绍

摘要

本项目基于先进的YOLOv8目标检测算法，开发了一套高效准确的可回收塑料识别分类检测系统。系统能够自动识别并分类7种不同类型的塑料制品，包括HDPE塑料、多层塑料、PET瓶、一次性塑料、单层塑料、挤压管和UHT盒。项目使用了大规模数据集进行训练和验证，其中训练集包含19,034张图像，验证集2,051张图像，测试集990张图像，确保了模型的泛化能力和鲁棒性。该系统通过计算机视觉技术实现了塑料废品的快速自动分类，为塑料回收行业提供了智能化解决方案，显著提高了垃圾分类的效率和准确性，对推动循环经济发展和环境保护具有重要意义。

项目意义

1. 环境保护与可持续发展

塑料污染已成为全球性环境问题，本系统的开发直接响应了联合国可持续发展目标(SDG)中"负责任的消费和生产"以及"水下生命"的保护要求。通过提高塑料分类的准确性和效率，系统能够促进更多塑料制品进入正确的回收渠道，减少填埋和焚烧带来的环境污染，降低微塑料对生态系统的影响，为构建"无废城市"提供技术支撑。

2. 回收行业效率革命

传统塑料回收依赖人工分拣，存在效率低、成本高、准确性差等问题。本系统可实现每分钟数百件塑料制品的实时识别分类，分类准确率达到行业领先水平，大幅降低人力成本，提高分拣中心处理能力，使低价值塑料的回收变得经济可行，推动整个回收产业链的技术升级。

3. 垃圾分类智能化转型

随着全球各国垃圾分类政策的深入推进，本系统可集成至智能垃圾桶、自动分拣线等终端设备，为市政垃圾分类提供核心技术支持。系统特别设计的7类塑料识别能力覆盖了日常生活中大部分的塑料废弃物，通过智能化手段解决居民分类意识不足、分类标准复杂等痛点，助力垃圾分类从"人分"向"智分"转变。

4. 塑料循环经济数据基础

系统在识别分类的同时可生成塑料废弃物类型、数量、时空分布等大数据，为政府部门制定塑料污染防治政策、优化回收体系布局提供数据支持，帮助企业了解塑料废弃物构成，改进产品生态设计，促进塑料全生命周期管理，形成"生产-消费-回收-再生"的完整闭环。

5. 计算机视觉技术应用拓展

本项目将最先进的YOLOv8算法应用于特定环保领域，解决了塑料制品因透明、反光、变形等特性导致的识别难题，创新性地优化了多类别小目标塑料的检测性能，为计算机视觉在环保领域的应用提供了范例，技术方案可扩展至其他可回收物识别场景。

6. 社会教育与意识提升

系统可衍生开发公众教育应用，通过图像识别帮助公众了解塑料类型及正确处置方式，提升全民环保素养。分类数据的可视化展示也有助于增强公众对塑料污染问题的认知，促进绿色消费习惯的养成。

本项目的实施将产生显著的环境效益、经济效益和社会效益，是人工智能技术服务于生态文明建设的典型实践，对实现碳达峰、碳中和目标具有积极促进作用。随着系统的推广应用，预计可创造数亿元的直接经济价值，并带来不可估量的环境价值。

目录

一、项目介绍

摘要

项目意义

1. 环境保护与可持续发展

2. 回收行业效率革命

3. 垃圾分类智能化转型

4. 塑料循环经济数据基础

5. 计算机视觉技术应用拓展

6. 社会教育与意识提升

二、项目功能展示

系统功能

图片检测

视频检测

摄像头实时检测

三、数据集介绍

数据集特点

数据集配置文件

数据集制作流程

四、项目环境配置

创建虚拟环境

pycharm中配置anaconda

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码​编辑

七、项目源码(视频简介内)

基于深度学习YOLOv8的可回收塑料识别分类检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

二、项目功能展示

系统功能

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅参数实时调节（置信度和IoU阈值）

• 图片检测

该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。批量图片检测

用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理，并返回每张图像的目标检测结果，适用于需要大规模处理图像数据的应用场景。

• 视频检测

视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。

• 摄像头实时检测

该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。

核心特点：

• 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
• 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
• 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。

三、数据集介绍

本项目构建了全面的可回收塑料物品图像数据集，总计包含22,075张高质量图像，具体分为：

• 训练集：19,034张

• 验证集：2,051张

• 测试集：990张

数据集涵盖7类常见可回收塑料物品，类别定义基于国际通用塑料回收标识体系：

1. HDPE Plastic（高密度聚乙烯）

2. Multi-layer Plastic（多层复合塑料）

3. PET Bottle（聚对苯二甲酸乙二醇酯瓶）

4. Single-Use-Plastic（一次性塑料制品）

5. Single-layer Plastic（单层塑料）

6. Squeeze-Tube（挤压式软管）

7. UHT-Box（超高温灭菌包装盒）

所有图像均经过专业标注团队标注，采用YOLO格式的边界框标注，并经过三重质量检验。

数据集特点

1. 全面性覆盖：

   • 包含家庭、商业和工业场景产生的各类塑料废弃物

   • 覆盖完整产品生命周期（全新、使用后、压扁、破损等状态）

   • 包含透明、半透明、不透明、彩色、印刷等各类表面特性

   • 考虑不同形状（瓶、盒、膜、管等）和尺寸

2. 真实场景挑战：

   • 复杂背景干扰（混合垃圾场景）

   • 物品重叠和遮挡情况

   • 不同程度的使用污染（标签残留、内容物残留）

   • 各种变形状态（压扁、折叠、扭曲）

   • 不同光照条件（强光、弱光、反光）

3. 数据质量保证：

   • 统一分辨率

   • 多角度拍摄

   • 标注边界框精确贴合物品边缘

   • 平衡的类别分布

   • 标注包含物品表面文字/标识信息

4. 特殊考虑：

   • 包含困难样本（严重污染、高度变形）

   • 设置对抗样本（相似非塑料物品）

   • 记录拍摄距离

   • 标注透明物品的内部结构可见度

数据集配置文件

数据集采用标准YOLO格式：

train: F:\可回收塑料识别分类检测数据集\train\images val: F:\可回收塑料识别分类检测数据集\valid\images test: F:\可回收塑料识别分类检测数据集\test\images nc: 7 names: ['HDPE Plastic', 'Multi-layer Plastic', 'PET Bottle', 'Single-Use-Plastic', 'Single-layer Plastic', 'Squeeze-Tube', 'UHT-Box']

数据集制作流程

1. 样本采集：

   • 与多家垃圾处理厂合作获取真实废弃物样本

   • 按国际标准分类收集7类塑料物品

   • 使用工业级相机多角度拍摄

   • 控制拍摄距离、角度和光照条件变量

2. 数据预处理：

   • 统一调整分辨率

   • 应用白平衡校正消除色偏

   • 对透明物品使用背光增强轮廓

   • 生成灰度图像版本以增强纹理特征

3. 专业标注流程：

   • 第一阶段：初级标注员进行初步边界框标注

   • 第二阶段：材料专家验证塑料类型分类

   • 第三阶段：使用3D标注工具修正变形物品的标注

   • 特殊处理：对透明物品标注内部可见结构

4. 质量控制系统：

   • 每日随机抽查标注结果

   • 建立标注争议解决委员会

   • 对困难样本进行多方确认

   • 维护标注标准操作手册

5. 数据集增强：

   • 几何变换：旋转、缩放

   • 光照模拟：过曝、欠曝、色温变化

   • 噪声添加：高斯噪声、模拟污渍

   • 背景合成：混合垃圾场景生成

   • 物理模拟：压扁、折叠等变形效果

6. 数据划分策略：

   • 按物品ID划分，确保同一物品不同角度不跨集

   • 保持各类别在子集中比例一致

   • 测试集包含所有难度级别的代表性样本

   • 验证集侧重边缘案例评估

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov8 python==3.9

激活虚拟环境

conda activate yolov8

安装cpu版本pytorch

pip install torch torchvision torchaudio

pycharm中配置anaconda

安装所需要库

pip install -r requirements.txt

五、模型训练

训练代码

from ultralytics import YOLO model_path = 'yolov8s.pt' data_path = 'datasets/data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=500, batch=64, device='0', workers=0, project='runs/detect', name='exp', )

根据实际情况更换模型 yolov8n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov8s.yaml (small)：小模型，适合实时任务。 yolov8m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov8b.yaml (base)：基本版模型，适合大部分应用场景。 yolov8l.yaml (large)：大型模型，适合对精度要求高的任务。

• --batch 64：每批次64张图像。
• --epochs 500：训练500轮。
• --datasets/data.yaml：数据集配置文件。
• --weights yolov8s.pt：初始化模型权重，yolov8s.pt是预训练的轻量级YOLO模型。

训练结果

六、核心代码

from PyQt5 import QtCore, QtGui, QtWidgets from PyQt5.QtCore import Qt, QTimer from PyQt5.QtGui import QImage, QPixmap, QIcon from PyQt5.QtWidgets import (QFileDialog, QMessageBox, QTableWidgetItem, QStyledItemDelegate, QHeaderView) import cv2 import numpy as np from ultralytics import YOLO import os import datetime import sys class CenteredDelegate(QStyledItemDelegate): def initStyleOption(self, option, index): super().initStyleOption(option, index) option.displayAlignment = Qt.AlignCenter class Ui_MainWindow(object): def setupUi(self, MainWindow): MainWindow.setObjectName("MainWindow") MainWindow.resize(1400, 900) MainWindow.setWindowTitle("YOLOv8 目标检测系统") # 设置窗口图标 if hasattr(sys, '_MEIPASS'): icon_path = os.path.join(sys._MEIPASS, 'icon.ico') else: icon_path = 'icon.ico' if os.path.exists(icon_path): MainWindow.setWindowIcon(QIcon(icon_path)) self.centralwidget = QtWidgets.QWidget(MainWindow) self.centralwidget.setObjectName("centralwidget") # 主布局 self.main_layout = QtWidgets.QHBoxLayout(self.centralwidget) self.main_layout.setContentsMargins(10, 10, 10, 10) self.main_layout.setSpacing(15) # 左侧布局 (图像显示) self.left_layout = QtWidgets.QVBoxLayout() self.left_layout.setSpacing(15) # 原始图像组 self.original_group = QtWidgets.QGroupBox("原始图像") self.original_group.setMinimumHeight(400) self.original_img_label = QtWidgets.QLabel() self.original_img_label.setAlignment(QtCore.Qt.AlignCenter) self.original_img_label.setText("等待加载图像...") self.original_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;") original_layout = QtWidgets.QVBoxLayout() original_layout.addWidget(self.original_img_label) self.original_group.setLayout(original_layout) self.left_layout.addWidget(self.original_group) # 检测结果图像组 self.result_group = QtWidgets.QGroupBox("检测结果") self.result_group.setMinimumHeight(400) self.result_img_label = QtWidgets.QLabel() self.result_img_label.setAlignment(QtCore.Qt.AlignCenter) self.result_img_label.setText("检测结果将显示在这里") self.result_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;") result_layout = QtWidgets.QVBoxLayout() result_layout.addWidget(self.result_img_label) self.result_group.setLayout(result_layout) self.left_layout.addWidget(self.result_group) self.main_layout.addLayout(self.left_layout, stretch=3) # 右侧布局 (控制面板) self.right_layout = QtWidgets.QVBoxLayout() self.right_layout.setSpacing(15) # 模型选择组 self.model_group = QtWidgets.QGroupBox("模型设置") self.model_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.model_layout = QtWidgets.QVBoxLayout() # 模型选择 self.model_combo = QtWidgets.QComboBox() self.model_combo.addItems(["best.pt"]) self.model_combo.setCurrentIndex(0) # 加载模型按钮 self.load_model_btn = QtWidgets.QPushButton(" 加载模型") self.load_model_btn.setIcon(QIcon.fromTheme("document-open")) self.load_model_btn.setStyleSheet( "QPushButton { padding: 8px; background-color: #4CAF50; color: white; border-radius: 4px; }" "QPushButton:hover { background-color: #45a049; }" ) self.model_layout.addWidget(self.model_combo) self.model_layout.addWidget(self.load_model_btn) self.model_group.setLayout(self.model_layout) self.right_layout.addWidget(self.model_group) # 参数设置组 self.param_group = QtWidgets.QGroupBox("检测参数") self.param_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.param_layout = QtWidgets.QFormLayout() self.param_layout.setLabelAlignment(Qt.AlignLeft) self.param_layout.setFormAlignment(Qt.AlignLeft) self.param_layout.setVerticalSpacing(15) # 置信度滑块 self.conf_slider = QtWidgets.QSlider(Qt.Horizontal) self.conf_slider.setRange(1, 99) self.conf_slider.setValue(25) self.conf_value = QtWidgets.QLabel("0.25") self.conf_value.setAlignment(Qt.AlignCenter) self.conf_value.setStyleSheet("font-weight: bold; color: #2196F3;") # IoU滑块 self.iou_slider = QtWidgets.QSlider(Qt.Horizontal) self.iou_slider.setRange(1, 99) self.iou_slider.setValue(45) self.iou_value = QtWidgets.QLabel("0.45") self.iou_value.setAlignment(Qt.AlignCenter) self.iou_value.setStyleSheet("font-weight: bold; color: #2196F3;") self.param_layout.addRow("置信度阈值:", self.conf_slider) self.param_layout.addRow("当前值:", self.conf_value) self.param_layout.addRow(QtWidgets.QLabel("")) # 空行 self.param_layout.addRow("IoU阈值:", self.iou_slider) self.param_layout.addRow("当前值:", self.iou_value) self.param_group.setLayout(self.param_layout) self.right_layout.addWidget(self.param_group) # 功能按钮组 self.func_group = QtWidgets.QGroupBox("检测功能") self.func_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.func_layout = QtWidgets.QVBoxLayout() self.func_layout.setSpacing(10) # 图片检测按钮 self.image_btn = QtWidgets.QPushButton(" 图片检测") self.image_btn.setIcon(QIcon.fromTheme("image-x-generic")) # 视频检测按钮 self.video_btn = QtWidgets.QPushButton(" 视频检测") self.video_btn.setIcon(QIcon.fromTheme("video-x-generic")) # 摄像头检测按钮 self.camera_btn = QtWidgets.QPushButton(" 摄像头检测") self.camera_btn.setIcon(QIcon.fromTheme("camera-web")) # 停止检测按钮 self.stop_btn = QtWidgets.QPushButton(" 停止检测") self.stop_btn.setIcon(QIcon.fromTheme("process-stop")) self.stop_btn.setEnabled(False) # 保存结果按钮 self.save_btn = QtWidgets.QPushButton(" 保存结果") self.save_btn.setIcon(QIcon.fromTheme("document-save")) self.save_btn.setEnabled(False) # 设置按钮样式 button_style = """ QPushButton { padding: 10px; background-color: #2196F3; color: white; border: none; border-radius: 4px; text-align: left; } QPushButton:hover { background-color: #0b7dda; } QPushButton:disabled { background-color: #cccccc; } """ for btn in [self.image_btn, self.video_btn, self.camera_btn, self.stop_btn, self.save_btn]: btn.setStyleSheet(button_style) self.func_layout.addWidget(btn) self.func_group.setLayout(self.func_layout) self.right_layout.addWidget(self.func_group) # 检测结果表格组 self.table_group = QtWidgets.QGroupBox("检测结果详情") self.table_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.table_layout = QtWidgets.QVBoxLayout() self.result_table = QtWidgets.QTableWidget() self.result_table.setColumnCount(4) self.result_table.setHorizontalHeaderLabels(["类别", "置信度", "左上坐标", "右下坐标"]) self.result_table.horizontalHeader().setSectionResizeMode(QHeaderView.Stretch) self.result_table.verticalHeader().setVisible(False) self.result_table.setSelectionBehavior(QtWidgets.QAbstractItemView.SelectRows) self.result_table.setEditTriggers(QtWidgets.QAbstractItemView.NoEditTriggers) # 设置表格样式 self.result_table.setStyleSheet(""" QTableWidget { border: 1px solid #e0e0e0; alternate-background-color: #f5f5f5; } QHeaderView::section { background-color: #2196F3; color: white; padding: 5px; border: none; } QTableWidget::item { padding: 5px; } """) # 设置居中代理 delegate = CenteredDelegate(self.result_table) self.result_table.setItemDelegate(delegate) self.table_layout.addWidget(self.result_table) self.table_group.setLayout(self.table_layout) self.right_layout.addWidget(self.table_group, stretch=1) self.main_layout.addLayout(self.right_layout, stretch=1) MainWindow.setCentralWidget(self.centralwidget) # 状态栏 self.statusbar = QtWidgets.QStatusBar(MainWindow) self.statusbar.setStyleSheet("QStatusBar { border-top: 1px solid #c0c0c0; }") MainWindow.setStatusBar(self.statusbar) # 初始化变量 self.model = None self.cap = None self.timer = QTimer() self.is_camera_running = False self.current_image = None self.current_result = None self.video_writer = None self.output_path = "output" # 创建输出目录 if not os.path.exists(self.output_path): os.makedirs(self.output_path) # 连接信号槽 self.load_model_btn.clicked.connect(self.load_model) self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) self.conf_slider.valueChanged.connect(self.update_conf_value) self.iou_slider.valueChanged.connect(self.update_iou_value) self.timer.timeout.connect(self.update_camera_frame) # 设置全局样式 self.set_style() def set_style(self): style = """ QMainWindow { background-color: #f5f5f5; } QGroupBox { border: 1px solid #e0e0e0; border-radius: 5px; margin-top: 10px; padding-top: 15px; } QGroupBox::title { subcontrol-origin: margin; left: 10px; padding: 0 3px; } QLabel { color: #333333; } QComboBox { padding: 5px; border: 1px solid #cccccc; border-radius: 3px; } QSlider::groove:horizontal { height: 6px; background: #e0e0e0; border-radius: 3px; } QSlider::handle:horizontal { width: 16px; height: 16px; margin: -5px 0; background: #2196F3; border-radius: 8px; } QSlider::sub-page:horizontal { background: #2196F3; border-radius: 3px; } """ self.centralwidget.setStyleSheet(style) def load_model(self): model_name = self.model_combo.currentText().split(" ")[0] try: self.model = YOLO(model_name) self.statusbar.showMessage(f"模型 {model_name} 加载成功", 3000) self.image_btn.setEnabled(True) self.video_btn.setEnabled(True) self.camera_btn.setEnabled(True) except Exception as e: QMessageBox.critical(None, "错误", f"模型加载失败: {str(e)}") def update_conf_value(self): conf = self.conf_slider.value() / 100 self.conf_value.setText(f"{conf:.2f}") def update_iou_value(self): iou = self.iou_slider.value() / 100 self.iou_value.setText(f"{iou:.2f}") def detect_image(self): if self.model is None: QMessageBox.warning(None, "警告", "请先加载模型") return file_path, _ = QFileDialog.getOpenFileName( None, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp);;所有文件 (*)" ) if file_path: try: # 读取图片 img = cv2.imread(file_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 显示原始图片 self.display_image(img, self.original_img_label) self.current_image = img.copy() # 检测图片 conf = self.conf_slider.value() / 100 iou = self.iou_slider.value() / 100 self.statusbar.showMessage("正在检测图片...") QtWidgets.QApplication.processEvents() # 更新UI results = self.model.predict(img, conf=conf, iou=iou) result_img = results[0].plot() # 显示检测结果 self.display_image(result_img, self.result_img_label) self.current_result = result_img.copy() # 更新结果表格 self.update_result_table(results[0]) self.save_btn.setEnabled(True) self.statusbar.showMessage(f"图片检测完成: {os.path.basename(file_path)}", 3000) except Exception as e: QMessageBox.critical(None, "错误", f"图片检测失败: {str(e)}") self.statusbar.showMessage("图片检测失败", 3000) def detect_video(self): if self.model is None: QMessageBox.warning(None, "警告", "请先加载模型") return file_path, _ = QFileDialog.getOpenFileName( None, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov *.mkv);;所有文件 (*)" ) if file_path: try: self.cap = cv2.VideoCapture(file_path) if not self.cap.isOpened(): raise Exception("无法打开视频文件") # 获取视频信息 fps = self.cap.get(cv2.CAP_PROP_FPS) width = int(self.cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(self.cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 创建视频写入器 timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S") output_file = os.path.join(self.output_path, f"output_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(output_file, fourcc, fps, (width, height)) # 启用停止按钮，禁用其他按钮 self.stop_btn.setEnabled(True) self.save_btn.setEnabled(True) self.image_btn.setEnabled(False) self.video_btn.setEnabled(False) self.camera_btn.setEnabled(False) # 开始处理视频 self.timer.start(30) # 30ms间隔 self.statusbar.showMessage(f"正在处理视频: {os.path.basename(file_path)}...") except Exception as e: QMessageBox.critical(None, "错误", f"视频检测失败: {str(e)}") self.statusbar.showMessage("视频检测失败", 3000)

七、项目源码(视频简介内)

完整全部资源文件（包括测试图片，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

演示与介绍视频：

基于深度学习YOLOv8的可回收塑料识别分类检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili