本项目将采用深度学习的方法，搭建一个垃圾分类识别的训练和测试系统，实现智能化垃圾分类。目前，基于ResNet18的垃圾分类识别，在垃圾数据集dataset2，训练集的Accuracy在94%左右，测试集的Accuracy在92%左右。支持常用的分类模型，如resnet18,resnet50,mobilenet_v2,googlenet等 原文地址《垃圾分类数据集+垃圾分类识别训练代码(Pytorch)》：https://panjinquan.blog.csdn.net/article/details/126419147

机器学习垃圾分类识别.7z

深度学习基于卷积神经网络的校园垃圾识别分类系统源代码。 本项目是一个非常完整的深度学习实践项目。借助AI进行垃圾识别分类识别。深度学习基于卷积神经网络的校园垃圾识别分类系统源代码。 本项目是一个非常完整的深度学习实践项目。借助AI进行垃圾识别分类识别。深度学习基于卷积神经网络的校园垃圾识别分类系统源代码。 本项目是一个非常完整的深度学习实践项目。借助AI进行垃圾识别分类识别。深度学习基于卷积神经网络的校园垃圾识别分类系统源代码。 本项目是一个非常完整的深度学习实践项目。借助AI进行垃圾识别分类识别。深度学习基于卷积神经网络的校园垃圾识别分类系统源代码。 本项目是一个非常完整的深度学习实践项目。借助AI进行垃圾识别分类识别。深度学习基于卷积神经网络的校园垃圾识别分类系统源代码。 本项目是一个非常完整的深度学习实践项目。借助AI进行垃圾识别分类识别。

本项目采用YOLOv5实现垃圾分类目标检测。利用大量已标注目标检测数据集进行训练，对居民生活垃圾图片进行检测，找出图片中属于哪个类别的垃圾，并指示出在图片中的位置。 本工程YOLOv5使用PyTorch版的ultralytics/yolov5，在Windows系统上进行垃圾分类目标检测的项目演示。具体项目过程包括：数据集及格式转换、探索性数据分析（EDA）、安装软件环境、安装YOLOv5、修改YOLOv5代码(为支持中文标签）、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。

本项目是使用yolov5结合python语言进行四类垃圾（可回收垃圾、有害垃圾、厨余垃圾和其他垃圾）的模型训练以及准确识别，下载本项目解压使用pycharm打开，测试图片可放入data下的images文件夹，运行dect.py(本项目已经在google colab上炼成丹)进行识别，识别结果存放于runs-dect-exp+数字文件夹下，可进行查看识别结果。 特别说明：本项目由于时间有限训练垃圾识别模型时所使用的数据集量比较小，所以四类垃圾中仅限瓶子、报纸；电池；剩饭；碎瓷片。有兴趣同学可采用大量数据集进行翻墙在云端进行训练。

机器学习与python大作业-垃圾分类识别（学生版）.ipynb

自己开发的一套垃圾分类的源码，如果需要可以下载来看，代码中有注释，购买的可以联系，做一些指导。 相关介绍在这里： 自己开发的一套社团管理的源码，如果需要可以下载来看，代码中有注释，购买的可以联系，做一些指导。 相关介绍在这里： https://blog.csdn.net/a332324956/article/details/118834175?spm=1001.2014.3001.5501

比赛需要故只开源了粗劣的第一个版本demo实现,第二版本改进使用yoloV3模型进行垃圾分类检测,机器臂分拣垃圾,垃圾分类数据集重新收集,并有微信小程序的用户查询垃圾分类及反馈机制 注意看ReadMe文件,注意看ReadMe文件,注意看ReadMe文件 B站视频介绍地址：https://www.bilibili.com/video/av80830870 交流群:1074171553 题主双非师范院校2021考研狗,如果你觉得这个小项目有帮助到你,请为项目点一个star,不管是考试型选手毕设项目被迫营业还是直接拿去二开参加比赛,这些都没问题,开源项目就是人人为我我为人人,但请尊重他人劳动成果,大家都是同龄人.心上无垢,林间有风. 材料清单 树莓派 1个 pca9685 16路舵机驱动板 1个 7寸可触摸显示屏一个 MG996R 舵机4个 垃圾桶4个 usb免驱动摄像头1个 树莓派GPIO扩展板转接线柱1个 硅胶航模导线若干 环境需求 1.开发环境 神经网络搭建—python 依赖 tensorflow,keras 训练图片来源华为云2019垃圾分类大赛提供 训练图片地址：https://developer.huaweicloud.com/hero/forum.php?mod=viewthread&tid=24106 下载图片文件后将文件解压覆盖为 garbage_classify 放入 垃圾分类-本地训练/根目录 神经网络开源模型--- resnet50 models 目录需要手动下载resnet50 的模型文件放入 resnet50模型文件名：resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 百度就可以找到下载放入即可：https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 2.运行开发环境 进入 "垃圾分类-本地训练"目录 环境初始化 python3 安装框架flaskpip3 install flask 安装tensorflow，keras等依赖 pip3 install tensorflow==1.13.1 pip3 install keras==2.3.1 运行 1.命令python3 train.py开启训练 2.命令python3 predict_local.py开启输入图片测试 3. 训练服务模型部署 进入 "垃圾分类-服务部署"目录 output_model 目录存放的是本地训练完成导出的h5模型文件 models 目录需要手动下载resnet50 的模型文件放入 resnet50模型文件名：resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 百度就可以找到下载放入即可：https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5 环境初始化 安装框架flaskpip3 install flask 安装tensorflow，keras等依赖 pip3 install tensorflow==1.13.1 pip3 install keras==2.3.1 运行 1.命令python3 run.py开启窗口本地调试 2.命令python3 flask_sever.py开启服务部署 3.命令sh ./start.sh开启后台运行服务部署 4.树莓派界面搭建 基于nodejs electron-vue 强烈建议使用cnpm来安装nodejs库 进入 "树莓派端/garbage_desktop"目录 安装依赖 cnpm install 开发模式 cnpm run dev 打包发布 cnpm run build 5.树莓派端flask-api接口操作硬件 进入"进入 "树莓派端/garbage_app_sever"目录" 注意树莓派应该开启I2C，确保pca9685 I2C方式接入后可显示地址 命令：i2cdetect -y 1 查看 地址项 0x40是否已经接入树莓派 运行 python3 app_sever.py 或者 sh start.sh 启动 若提示缺少依赖： pip3 install adafruit-pca9685 pip3 install flask

快速搭建垃圾分类模型： 使用inception快速搭建的图像分类模型，目前支持1000类识别。从图像中识别出类别后，再通过textcnn模型对垃圾类别进行映射，最终输出垃圾的类别。 注：垃圾类别是以上海分类标准。